الترجمة النصية (subtitles) نص مرفق به أوقات. ومعظم العمل في مسار الترجمة العربية هو الحصول على تلك الأوقات. بعض واجهات API لتحويل الكلام إلى نص تعطيك إياها كطوابع زمنية للكلمات أو كملف SRT جاهز. وأخرى، ومنها BroadNet Inference، لا تعيد إلا نص التفريغ. يشرح هذا المقال ما يحتاجه ملف SRT، وأي المزوّدين يوثّقون الطوابع الزمنية، وكيف تبني ترجمة عربية قابلة للاستخدام من API تعيد نصًا فقط، مع ذكر الحدود بوضوح.
BroadRouter هو موقع BroadNet نفسها. وإذا كنت تحتاج إلى توقيت دقيق على مستوى الإطار، فالإجابة الصادقة أدناه هي مزوّد يقدّم طوابع زمنية للكلمات، لا BroadNet.
ماذا يحتاج ملف SRT؟
ملف SRT (SubRip) نص عادي. لكل سطر ترجمة أربعة أجزاء: رقم، وسطر للوقت، وسطر أو سطران من النص، وسطر فارغ.
1
00:00:00,000 --> 00:00:02,800
مرحباً بكم في الحلقة الأولى
2
00:00:03,600 --> 00:00:07,600
اليوم نتحدث عن تحويل الكلام إلى نص وكيف
نصنع ملف ترجمة مصاحبة
يحدد وصف الصيغة لدى مكتبة الكونغرس صيغة الوقت بأنها ساعات:دقائق:ثوانٍ,ميلي ثانية، والسهم بأنه شرطتان وقوس زاوية أيمن. ويقول أيضًا إن SRT “not well standardized” (الترجمة: غير موحّد المعايير جيدًا) وإن ملفات SRT “do not have a character encoding standard” (الترجمة: ليس لها معيار لترميز الأحرف). وللعربية، اكتب بترميز UTF-8 واختبر في المشغّل المستهدف. أما WebVTT، خليفته على الويب، فيستخدم نقطة بدل الفاصلة قبل الميلي ثانية.
إذن المتطلب الصارم هو وقت بداية ونهاية لكل سطر ترجمة. النص وحده لا يكفي.
كم يجب أن يكون طول سطر الترجمة العربية؟
استخدم دليل أسلوب منشورًا بدل التخمين. يحدد دليل أسلوب النصوص المؤقتة العربية من Netflix (سجل التغييرات بتاريخ 2025-12-19):
| القاعدة | قيمة Netflix |
|---|---|
| الأحرف في السطر | 42 |
| الأسطر في كل ترجمة | سطران كحد أقصى |
| سرعة القراءة، برامج البالغين | حتى 20 حرفًا في الثانية |
| سرعة القراءة، برامج الأطفال | حتى 17 حرفًا في الثانية |
| فواصل الأسطر | لا تفصل الفعل عن فاعله، ولا حرف الجر عن الاسم المجرور، ولا العدد عن المعدود |
وتضيف المتطلبات العامة لدى Netflix حدًا أدنى قدره خمسة أسداس الثانية وحدًا أقصى قدره 7 ثوانٍ لكل سطر ترجمة. ويطلب الدليل العربي أيضًا العربية الفصحى في الترجمات المترجَمة من لغة أخرى. وهذه قاعدة للترجمة؛ أما التفريغ النصي لكلام بلهجة فيبقى باللهجة.
تتحول هذه الأرقام إلى شيفرة: لُفّ السطر عند 42 حرفًا، وسطران لكل ترجمة، وتحذير فوق 20 حرفًا في الثانية، ولا تُبقِ أي ترجمة على الشاشة أكثر من 7 ثوانٍ.
أي واجهات API لتحويل الكلام إلى نص توثّق الطوابع الزمنية أو SRT؟
قرأنا التوثيق الحالي لكل مزوّد في 15 نوفمبر 2026. يُدرج الجدول ما يوثّقونه، لا مدى دقة التوقيت.
| المزوّد | ما يقدّمه التوثيق | العربية |
|---|---|---|
| OpenAI | response_format بقيمة srt أو vtt أو verbose_json، وtimestamp_granularities[] على مستوى الكلمة أو المقطع، على whisper-1 فقط. أما gpt-4o-transcribe وgpt-4o-mini-transcribe فيعيدان json فقط |
لم نتحقق. تُدرج صفحة الإيقافات لدى OpenAI النماذج whisper-1 وgpt-4o-transcribe وgpt-4o-mini-transcribe وgpt-4o-transcribe-diarize على أنها مُعلَن إيقافها، وكلها تتوقف في 26 فبراير 2027، وتوصي بـgpt-transcribe أو gpt-live-transcribe بدلًا منها |
| AssemblyAI | GET /v2/transcript/{transcript_id}/srt أو /vtt، مع chars_per_caption |
العربية مدرجة على Universal-2، في فئة معدل الخطأ في الكلمات (WER) بين 10 و25% |
| Speechmatics | format=srt على نقطة نهاية النص المفرّغ؛ وsrt_overrides مع max_line_length وmax_lines؛ وعناصر الكلمات تحمل start_time وend_time |
العربية، إضافة إلى حزمة ar_en عربية-إنجليزية |
| Deepgram | طوابع زمنية للكلمات والعبارات؛ ومكتبات رسمية للترجمة بـPython وJavaScript تكتب SRT وWebVTT | العربية ورموز إقليمية على Nova-3 |
| ElevenLabs | timestamps_granularity على مستوى الكلمة أو الحرف؛ ولكل كلمة start وend بالثواني |
العربية مدرجة، في فئة WER بين 10 و20% |
| BroadNet Inference | {"text": ...} فقط |
نموذج خاص بالعربية، ونموذج لـ14 لغة |
وإذا كنت تستطيع تشغيل النماذج بنفسك، فمرشّح whisper في FFmpeg، المبني على whisper.cpp، يستطيع كتابة srt مباشرة، وفيه خيار max_len لأسطر أقصر.
لمقارنة أولية لدقة العربية وسعرها، راجع دليل المشتري لواجهات API تحويل الكلام العربي إلى نص ومقارنة أسعار تحويل الصوت إلى نص. فالطوابع الزمنية صف واحد في هذا القرار، لا الصف الوحيد.
كيف تصنع ترجمة نصية من API تعيد نصًا فقط؟
تصنع طوابعك الزمنية بنفسك من المواضع التي تقطع فيها الصوت. الخطوات:
- اعثر على فترات التوقف. يسجّل
silencedetectفي FFmpeg القيمتينsilence_startوsilence_endبالثواني حيثما يبقى المستوى تحت عتبة معيّنة لمدة دنيا. - حوّل فترات التوقف إلى امتدادات كلام. كل ما بين صمتين امتداد واحد. حدّد الامتداد بنحو 12 ثانية، كي ينتج المتحدث الذي لا يتوقف أسطر ترجمة قصيرة مع ذلك.
- فرّغ كل امتداد. اقطعه إلى ملف WAV أحادي القناة بتردد 16 kHz وأرسله مع
language=ar. - وقّت أسطر الترجمة. بداية الامتداد ونهايته هما وقتا الارتكاز. وإذا احتاج نصه إلى عدة أسطر، فوزّع وقت الامتداد بينها بنسبة أطوالها.
- اكتب ملف SRT وتحقق من طول السطر وسرعة القراءة والمدة مقابل قواعد الأسلوب.
هذا هو التقسيم نفسه المستخدم في تفريغ الملفات الصوتية الطويلة، لكن بهدف مختلف. هناك، تكون الأجزاء نحو 10 دقائق ولا يهمك إلا النص المضموم. وهنا، تكون الأجزاء بطول ثوانٍ لأن كل جزء يصبح أوقات ترجمة. وتبني أداة تقسيم الصوت أوامر FFmpeg إن كنت تفضّل التقسيم يدويًا.
مسار العمل بلغة Python
يستخدم هذا السكربت OpenAI Python SDK وFFmpeg. شغّلناه في 15 نوفمبر 2026 على خادم محاكاة محلي يجيب كما تجيب نقطة النهاية الموثّقة لدى BroadNet ({"text": ...})، مع ملف اختبار مولَّد من نغمات وفجوات. وملف SRT أعلاه هو مخرجاته. لم يُستخدم أي مفتاح BroadNet، لذا جاء النص العربي من المحاكاة لا من النموذج.
import os, re, subprocess, sys
from openai import OpenAI
FFMPEG = os.environ.get("FFMPEG", "ffmpeg")
client = OpenAI(base_url=os.environ.get("BASE_URL", "https://inference.broadnet.ai/v1"),
api_key=os.environ["BROADNET_API_KEY"])
MODEL = "broadnet/cohere-transcribe-arabic"
MAX_CHARS, MAX_LINES, MAX_CUE, MAX_CPS = 42, 2, 7.0, 20 # Netflix Arabic / general guide values
def find_speech(path, noise="-35dB", min_silence=0.4, max_span=12.0):
"""Return [(start, end)] seconds of speech between silences, each at most max_span long."""
log = subprocess.run([FFMPEG, "-hide_banner", "-nostats", "-i", path,
"-af", f"silencedetect=n={noise}:d={min_silence}", "-f", "null", "-"],
capture_output=True, text=True).stderr
h, m, s = re.search(r"Duration: (\d+):(\d+):([\d.]+)", log).groups()
total = int(h) * 3600 + int(m) * 60 + float(s)
starts = [float(x) for x in re.findall(r"silence_start: (-?[\d.]+)", log)]
ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
spans, t = [], 0.0
for i, s0 in enumerate(starts):
if s0 - t > 0.2:
spans.append((t, s0))
t = ends[i] if i < len(ends) else total
if total - t > 0.2:
spans.append((t, total))
out = []
for a, b in spans: # no pause found: cut at a fixed length
while b - a > max_span:
out.append((a, a + max_span)); a += max_span
out.append((a, b))
return out
def transcribe_span(path, a, b, name):
subprocess.run([FFMPEG, "-hide_banner", "-loglevel", "error", "-y", "-ss", f"{a:.3f}",
"-to", f"{b:.3f}", "-i", path, "-ar", "16000", "-ac", "1", name], check=True)
with open(name, "rb") as f:
return client.audio.transcriptions.create(model=MODEL, file=f, language="ar").text.strip()
def to_cues(text, a, b):
"""Wrap text into lines of <= MAX_CHARS, give each line a share of the span's time
in proportion to its length, then pack lines into cues of <= MAX_LINES and <= MAX_CUE s."""
lines, cur = [], ""
for w in text.split():
if cur and len(cur) + 1 + len(w) > MAX_CHARS:
lines.append(cur); cur = w
else:
cur = f"{cur} {w}".strip()
if cur:
lines.append(cur)
chars = sum(len(l) for l in lines) or 1
cues, t = [], a
for line in lines:
d = (b - a) * len(line) / chars
last = cues[-1] if cues else None
if last and len(last[2]) < MAX_LINES and t + d - last[0] <= MAX_CUE:
last[1] = t + d; last[2].append(line)
else:
cues.append([t, t + d, [line]])
t += d
for c in cues: # a long pause inside a span: don't hold text on screen
c[1] = min(c[1], c[0] + MAX_CUE)
return cues
def ts(x):
ms = round(x * 1000)
return f"{ms // 3600000:02}:{ms // 60000 % 60:02}:{ms // 1000 % 60:02},{ms % 1000:03}"
def make_srt(path, out="out.srt"):
cues = []
for i, (a, b) in enumerate(find_speech(path)):
text = transcribe_span(path, a, b, f"chunk-{i:04}.wav")
if text:
cues += to_cues(text, a, b)
with open(out, "w", encoding="utf-8") as f:
for n, (a, b, g) in enumerate(cues, 1):
cps = len(" ".join(g)) / (b - a)
if b - a > MAX_CUE or cps > MAX_CPS:
print(f"check cue {n}: {b - a:.1f} s, {cps:.0f} chars/s", file=sys.stderr)
f.write(f"{n}\n{ts(a)} --> {ts(b)}\n" + "\n".join(g) + "\n\n")
return len(cues)
if __name__ == "__main__":
print(make_srt(sys.argv[1], sys.argv[2] if len(sys.argv) > 2 else "out.srt"), "cues written")
شغّله بعد ضبط BROADNET_API_KEY: python make_srt.py episode.wav episode.srt. على ملف الاختبار، وجد اكتشاف التوقف امتدادات من 0 إلى 2.8 ثانية، ومن 3.6 إلى 7.6 ثانية، ومن 8.8 إلى 28.8 ثانية (قُطع عند 12 ثانية لأنه بلا توقف)، ومن 29.4 إلى 30.9 ثانية، وهذا يطابق طريقة بناء الملف. وحُلّلت المخرجات دون أخطاء بحزمة srt في Python، وتحوّلت إلى WebVTT بـFFmpeg.
اضبط قيمتين على صوتك. noise هو المستوى الذي يُعدّ صمتًا: جرّب من -30 إلى -40 dB للكلام النظيف، وقيمًا أعلى للغرف الصاخبة. وmin_silence هو المدة التي يجب أن تستمر فيها الفجوة: من 0.3 إلى 0.5 ثانية تلتقط فترات التوقف بين الجمل دون أن تقسم عند كل نفَس.
ما دقة التوقيت على مستوى الأجزاء؟
كن واضحًا بشأن ما تستطيع هذه الطريقة فعله وما لا تستطيع.
- حواف الامتدادات هي الجزء الأفضل. بدايات الترجمة ونهاياتها التي تقع على توقف حقيقي دقيقة بقدر دقة اكتشاف الصمت. وعلى ملف الاختبار الاصطناعي تطابقت تمامًا؛ أما التسجيلات الحقيقية بأنفاسها وضجيج غرفها فأكثر فوضى.
- الأوقات داخل الامتداد تقديرية. حين يحمل الامتداد سطرين أو ثلاثة من الترجمة، يوزّع السكربت وقته حسب عدد الأحرف. والمتحدثون لا يتكلمون بمعدل ثابت، فقد تنحرف تلك الحدود الداخلية بثانية أو أكثر.
- القطع الثابت قد يقسم الكلمات. حين يتجاوز الامتداد حد 12 ثانية دون توقف، يقع القطع حيثما وقع. وقد تضيع الكلمة الواقعة عند القطع أو تتشوّه. ارفع
noiseأو اخفضmin_silenceأولًا، لتقل الامتدادات التي تحتاج إلى قطع ثابت. - الأجزاء القصيرة تمنح النموذج سياقًا أقل. مقطع من 3 ثوانٍ فيه كلمات أقل حول كل كلمة من ملف مدته 10 دقائق. لم نقِس كم يغيّر هذا دقة العربية؛ اختبره على صوتك بمقياس WER.
- لا تسميات للمتحدثين. لا تعيد BroadNet تمييز المتحدثين، فلا تذكر أسطر الترجمة من المتحدث.
- الموسيقى والضجيج. قد تخفي الموسيقى الخلفية فترات التوقف تمامًا. وعندها تصبح معظم الامتدادات قطعًا ثابتًا، ويسوء التوقيت.
للمحاضرات والبودكاست والندوات عبر الإنترنت وفيديوهات التدريب، تكون الترجمة التي تقع في حدود ثانية من الكلام مقروءة عادةً. أما للدراما أو الفيديوهات الموسيقية أو أي شيء متزامن مع حركة الشفاه، فاستخدم مزوّدًا يقدّم طوابع زمنية للكلمات، أو اطلب من مترجم محترف ضبط الملف.
كم يكلّف، وما سرعته؟
السعر يتبع طول الصوت. ساعة واحدة من العربية على BroadNet Transcribe Arabic تكلّف $0.25، سواء أرسلتها ملفًا واحدًا أو 720 ملفًا مدة كلٍّ منها خمس ثوانٍ. وتُدرج صفحة أسعار BroadNet سعرًا لكل دقيقة صوت، دون حد أدنى لكل ملف؛ راجع صفحة الاستهلاك بعد أول حلقة لتتأكد.
والسرعة تتبع عدد الطلبات. يسمح مفتاح الدفع حسب الاستخدام بـ30 طلبًا في الدقيقة و4 طلبات جارية. ساعة من الكلام مقسّمة إلى امتدادات من 5 ثوانٍ تعني نحو 720 طلبًا، تستغرق على الأقل 720 ÷ 30 دقيقة. والامتدادات الأطول تعني طلبات أقل. وإذا اصطدمت بـ429، فانتظر ثم أعد المحاولة كما في دليل الأخطاء وإعادة المحاولة، ولا توزّع مهمة واحدة على عدة مفاتيح للالتفاف على الحدود المنشورة.
أين تقع BroadNet Inference من هذا؟
يناسب BroadNet Transcribe Arabic النصف النصي من مهمة الترجمة: تحويل الكلام العربي إلى نص عربي بسعر $0.0042 للدقيقة، دون الاحتفاظ بالصوت أو النصوص المفرّغة بعد الطلب. والرصيد الأولي $5 يغطي التفريغ الصوتي، فتستطيع اختبار المسار على حلقات حقيقية قبل شحن الرصيد. لكنه لا يعيد طوابع زمنية ولا مقاطع ولا تسميات متحدثين ولا SRT. فإذا كانت ترجمتك تحتاج إلى توقيت على مستوى الكلمة، فاستخدم مزوّدًا يوثّقه، أو اضبط نص BroadNet على الصوت بأداة محاذاة قسرية (forced alignment). أشكال الطلبات والحدود في المرجع التقني لـBroadNet API، والإعداد في دليل تحويل الكلام العربي إلى نص.
