O difícil não é escrever, é sincronizar
Transcrever o que se diz em um vídeo é relativamente rápido; dar a cada frase o segundo exato de entrada e de saída é o que leva mais tempo. Dez minutos de vídeo podem facilmente ter duzentas legendas, cada uma pedindo duas marcas ao milissegundo.
Essa sincronia vem já resolvida. Os tempos são calculados contra o áudio do próprio arquivo, então eles se alinham sozinhos quando o SRT é colocado no vídeo, sem desvio nem ajustes globais na mão.