Acentos quebrados na legenda: UTF-8 e Windows-1252

Por que os acentos da legenda viram símbolos estranhos? Entenda UTF-8, Windows-1252 e BOM e veja como reabrir o arquivo na codificação certa.

Por irokod.com Publicado em 8 min de leitura Fundamentos de legendas

Ilustração original do irokod.com, gerada para este artigo.

Você abre a legenda no player e a palavra “café” aparece como “café”. O texto não se perdeu. O arquivo foi lido com a codificação errada.

Codificação é a regra que transforma os bytes gravados no arquivo em letras, e o erro surge quando quem grava e quem lê usam regras diferentes. O conserto costuma ser rápido, porque basta dizer ao programa qual regra usar. Aqui você vê como o erro aparece, o que são UTF-8 e Windows-1252, como descobrir a codificação do seu arquivo e como corrigir no editor do irokod.com.

O que é codificação de texto

Um computador guarda texto como bytes, que são números. A codificação é o conjunto de mapeamentos entre esses bytes e os caracteres. O W3C compara a codificação a uma chave que abre os dados guardados. Sem a chave certa, os dados continuam ali, mas ninguém consegue lê-los direito.

Cada caractere tem um número, chamado ponto de código. A codificação define como esse número vira bytes.

O exemplo do W3C é a letra é, de ponto de código 233. Em ISO 8859-1, ela ocupa um byte. Em UTF-8, ocupa dois. No ISO 8859-5, o mesmo número 233 é a letra cirílica щ. Só o contexto diz qual codificação vale.

O W3C também avisa que a palavra “charset” costuma ser usada de forma enganosa. Ela se refere, na verdade, a codificações.

Como o erro aparece

O erro tem duas caras, conforme o lado em que a confusão acontece.

Na primeira, o arquivo está em UTF-8 e o programa o lê como Windows-1252. Cada letra acentuada vira dois caracteres. A tabela mostra o resultado em palavras comuns:

Palavra correta Aparece como
café café
você você
avó avó
música música
ônibus ônibus
açúcar açúcar

Na segunda, o arquivo está em Windows-1252 e o programa o lê como UTF-8. Os bytes isolados não formam sequências válidas em UTF-8. No modo de substituição, o decodificador descrito pelo WHATWG emite o caractere U+FFFD, o losango com interrogação, no lugar de cada sequência inválida. A letra original não aparece mais. Veja a mesma palavra nos dois casos:

Texto certo:               açúcar
UTF-8 lido como 1252:      açúcar
1252 lido como UTF-8:      a��car

Se você salvar o arquivo enquanto os símbolos estão na tela, o caractere original pode se perder de vez. Corrija a leitura antes de gravar qualquer coisa.

UTF-8 e Windows-1252

UTF-8 é a codificação do Unicode que usa de um a quatro bytes por caractere. Ele preserva o ASCII: letras sem acento ocupam um único byte e ficam iguais em UTF-8 e em Windows-1252. Por isso um arquivo sem acentos não mostra problema nenhum, e o erro só aparece quando entra um é, um ç ou um ã.

O Encoding Standard do WHATWG diz que novos formatos devem usar só UTF-8. O W3C recomenda a mesma coisa, porque uma única codificação consegue tratar quase qualquer caractere. E a ajuda do YouTube pede que arquivos .srt estejam em UTF-8 simples.

Windows-1252 é uma codificação mais antiga, em que cada letra ocupa um byte, como no ISO 8859-1. O WHATWG informa que rótulos como latin1 e iso-8859-1 apontam para ela, então um arquivo declarado como latin1 é lido como Windows-1252 na web. A Wikipédia lembra que o programa SubRip grava por padrão em Windows-1252, embora ofereça UTF-8 e UTF-16. Isso ajuda a explicar por que um .srt mais antigo pode estar nessa codificação.

Ainda segundo a Wikipédia, não existe padrão oficial de codificação para arquivos .srt. Os programas precisam detectar a codificação por conta própria. Por isso a escolha mais segura é gravar sempre em UTF-8.

Como descobrir a codificação do arquivo

O próprio sintoma é a pista principal:

  • Letras como “Ô seguidas de símbolo, como em “você”: o arquivo provavelmente está em UTF-8, e quem leu usou Windows-1252.
  • Losangos com interrogação no lugar da letra: o arquivo provavelmente não está em UTF-8, e quem leu usou UTF-8.
  • Três caracteres estranhos no começo do arquivo, “”: é a marca BOM de UTF-8 lida como Windows-1252 (veja a seção sobre BOM mais abaixo).

Para confirmar, abra o arquivo no editor de legendas do irokod.com. Ele lê em UTF-8. Se o texto sair certo, o arquivo está em UTF-8. Se aparecerem losangos, o editor avisa, e você pode trocar a codificação. Editores de texto comuns costumam oferecer uma escolha de codificação ao abrir ou ao salvar; procure por “Codificação” ou “Encoding”.

Atenção a um terceiro caso. Se o próprio arquivo já traz “ç” gravado como texto, alguém salvou o texto quebrado. Reabrir em outra codificação não resolve nesse caso.

Como corrigir

O roteiro no editor do irokod.com é este:

  1. Guarde uma cópia do arquivo original.
  2. Abra a legenda no editor. Ele a lê em UTF-8.
  3. Se os acentos saírem certos, o arquivo está em UTF-8 e o problema está no player ou na página que o exibe. Verifique lá a configuração de codificação.
  4. Se aparecerem losangos, escolha Windows-1252 no seletor de codificação do arquivo. Faça isso antes de editar, porque a troca recarrega o arquivo.
  5. Confira palavras com é, ç, ã e õ na lista de falas.
  6. Exporte em SRT ou VTT. O arquivo exportado sai em UTF-8, que é o que o YouTube pede.
  7. Teste no player onde a legenda será usada.

Para o caso do texto já quebrado dentro do arquivo, use o localizar e substituir do editor. Troque cada par, como “ç” por “ç” e “é” por “é”. É trabalhoso, e por isso vale refazer a partir do original, se ele existir. O guia de revisão antes de publicar prevê uma passada só para o arquivo, com a conferência da codificação.

O que é BOM

BOM é a sigla de byte order mark. Segundo o FAQ do Unicode, é o caractere U+FEFF colocado no começo de um arquivo de texto. Ele pode indicar a ordem dos bytes e a forma de codificação. Em UTF-8, os bytes do BOM são EF BB BF.

Em UTF-8, o BOM não é exigido. Aqui ele funciona só como assinatura de codificação, porque a ordem de bytes do processador não importa para UTF-8. A página do Unicode avisa que alguns receptores de dados em UTF-8 não esperam o BOM e que ele pode atrapalhar sistemas que esperam caracteres ASCII no início do arquivo.

O WHATWG descreve um decodificador de UTF-8 que remove o BOM e outra variante que o mantém. Ou seja, depende do programa. Se um programa não o trata, ele aparece como “” na primeira linha.

A Wikipédia diz que o BOM ajuda os programas a detectar a codificação de um .srt. Em caso de dúvida, teste o arquivo com e sem BOM no destino. Para saber como o WebVTT lida com ele, veja o cabeçalho do arquivo VTT.

Erros comuns

  • Salvar o arquivo enquanto os símbolos estão na tela. A causa é achar que salvar conserta. Salvar grava o erro. Reabra com a codificação certa primeiro.
  • Apagar os losangos à mão. A letra original não está mais ali, e você teria que adivinhar cada uma. Reabra em Windows-1252 e recupere o texto.
  • Trocar o rótulo de codificação sem converter os bytes. O W3C explica que declarar outra codificação não muda os bytes do arquivo. Ele também precisa ser salvo nela.
  • Testar só com um trecho sem acentos. Como o ASCII é igual em todas as codificações, o erro passa despercebido. Inclua uma fala com acentos no teste.
  • Ignorar o “” no começo do arquivo. É o BOM lido do jeito errado. Se o seu editor de texto oferece a opção, grave em UTF-8 sem BOM e teste de novo.
  • Enviar a legenda sem conferir o requisito da plataforma. O YouTube pede UTF-8 simples para .srt. Se o seu arquivo veio de um programa antigo, converta antes. Se mesmo assim o arquivo não abrir, leia quando o arquivo de legenda não abre.

Perguntas frequentes

Qual codificação devo usar nas minhas legendas?

UTF-8. O WHATWG e o W3C recomendam essa codificação para formatos novos e conteúdo em geral, e o YouTube pede UTF-8 simples para .srt. Ela consegue representar quase qualquer caractere, inclusive os acentos usados em legendas de vários idiomas.

O que significa o caractere do losango com interrogação?

É o U+FFFD, o caractere de substituição. O decodificador o coloca no lugar de bytes que não formam um caractere válido em UTF-8. Em geral, indica que o arquivo foi lido em UTF-8 sem estar nessa codificação.

O BOM é obrigatório em UTF-8?

Não. O FAQ do Unicode diz que ele não é exigido. Se o programa que vai ler o arquivo não o espera, ele pode causar problema, então vale testar com e sem.

Windows-1252 e ISO 8859-1 são a mesma coisa?

Na web, são tratadas como a mesma. O WHATWG diz que os rótulos latin1 e iso-8859-1 apontam para Windows-1252. Na prática, para abrir uma legenda, você escolhe Windows-1252 no editor.

Fontes

  1. W3C Internationalization (i18n). Character encodings for beginners. Consultado em 19 de novembro de 2026.
  2. WHATWG. Encoding Standard. Consultado em 19 de novembro de 2026.
  3. Unicode Consortium. FAQ - UTF-8, UTF-16, UTF-32 & BOM. Consultado em 19 de novembro de 2026.
  4. Google (Ajuda do YouTube). Supported subtitle and closed caption files - YouTube Help. Consultado em 19 de novembro de 2026.
  5. Wikipedia. SubRip. Fonte não oficial: descreve o uso comum do formato. Consultado em 19 de novembro de 2026.

Continue lendo