La parte más laboriosa no es escribir, es sincronizar
Transcribir lo que se dice en un vídeo es relativamente rápido; ajustar a cada frase su segundo exacto de entrada y salida es lo que consume más tiempo. En diez minutos de vídeo pueden caber fácilmente doscientos subtítulos, cada uno con dos marcas al milisegundo.
Esa sincronización ya viene resuelta. Los tiempos se calculan sobre el audio del propio archivo, por lo que encajan automáticamente al añadir el SRT al vídeo, sin desajustes ni necesidad de correcciones manuales globales.