BroadRouter

Arabische Untertitel (SRT) per Speech-to-Text-API: was Sie brauchen

Vom Team von BroadNet Inference · 7 Min. Lesezeit · Veröffentlicht · Aktualisiert

Eine SRT-Datei braucht Text plus Start- und Endzeit für jeden Untertitel. APIs mit Wort- oder Segment-Zeitstempeln oder direktem SRT-Export liefern das beste Timing. BroadNet Transcribe Arabic liefert nur Text; teilen Sie das Audio also an Pausen, transkribieren Sie jeden Chunk und takten Sie die Untertitel über die Chunk-Offsets. Gut für Vorträge und Podcasts, nicht für bildgenaue Filmuntertitel.

Untertitel sind Text mit angehängten Zeiten. Die meiste Arbeit in einer Pipeline für arabische Untertitel besteht darin, diese Zeiten zu bekommen. Manche Speech-to-Text-APIs liefern sie Ihnen als Wort-Zeitstempel oder als fertige SRT-Datei. Andere, darunter BroadNet Inference, liefern nur den Transkripttext. Dieser Beitrag erklärt, was eine SRT-Datei braucht, welche Anbieter Zeitstempel dokumentieren und wie Sie aus einer reinen Text-API brauchbare arabische Untertitel bauen, mit klar benannten Grenzen.

BroadRouter ist die eigene Website von BroadNet. Wenn Sie bildgenaues Timing brauchen, lautet die ehrliche Antwort unten: ein Anbieter mit Wort-Zeitstempeln, nicht BroadNet.

Was braucht eine SRT-Datei?

Eine SRT-Datei (SubRip) ist reiner Text. Jeder Untertitel hat vier Teile: eine Nummer, eine Zeitzeile, eine oder zwei Textzeilen und eine Leerzeile.

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

Die Formatbeschreibung der Library of Congress gibt das Zeitformat als Stunden:Minuten:Sekunden,Millisekunden an und den Pfeil als zwei Bindestriche und eine schließende spitze Klammer. Sie sagt auch, SRT sei “not well standardized” (Übersetzung: nicht gut standardisiert) und SRT-Dateien “do not have a character encoding standard” (Übersetzung: haben keinen Standard für die Zeichenkodierung). Schreiben Sie für Arabisch UTF-8 und testen Sie im Ziel-Player. WebVTT, der Web-Nachfolger, verwendet vor den Millisekunden einen Punkt statt eines Kommas.

Die harte Anforderung ist also eine Start- und Endzeit für jeden Untertitel. Text allein reicht nicht.

Wie lang sollte eine arabische Untertitelzeile sein?

Nutzen Sie einen veröffentlichten Styleguide, statt zu raten. Der Arabic Timed Text Style Guide von Netflix (Änderungsprotokoll vom 2025-12-19) legt fest:

Regel Wert bei Netflix
Zeichen pro Zeile 42
Zeilen pro Untertitel Höchstens zwei
Lesegeschwindigkeit, Erwachsenenprogramme Bis zu 20 Zeichen pro Sekunde
Lesegeschwindigkeit, Kinderprogramme Bis zu 17 Zeichen pro Sekunde
Zeilenumbrüche Kein Verb von seinem Subjekt, keine Präposition von ihrem Nomen und keine Zahl von dem trennen, was sie zählt

Die allgemeinen Anforderungen von Netflix ergänzen eine Mindestdauer von fünf Sechsteln einer Sekunde und eine Höchstdauer von 7 Sekunden pro Untertitel. Der arabische Leitfaden verlangt außerdem modernes Hocharabisch für übersetzte Untertitel. Das ist eine Übersetzungsregel; ein Transkript von Dialektsprache bleibt im Dialekt.

Diese Zahlen werden zu Code: Umbruch bei 42 Zeichen, zwei Zeilen pro Untertitel, Warnung über 20 Zeichen pro Sekunde, und kein Untertitel steht länger als 7 Sekunden.

Welche Speech-to-Text-APIs dokumentieren Zeitstempel oder SRT?

Wir haben am 15. November 2026 die aktuelle Doku jedes Anbieters gelesen. Die Tabelle zeigt, was dokumentiert ist, nicht wie genau das Timing ist.

Anbieter Was die Doku bietet Arabisch
OpenAI response_format srt, vtt oder verbose_json und timestamp_granularities[] Wort oder Segment, nur bei whisper-1. gpt-4o-transcribe und gpt-4o-mini-transcribe liefern nur json Nicht geprüft. Die Abkündigungsseite von OpenAI führt whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe und gpt-4o-transcribe-diarize als abgekündigt, alle mit Abschaltung am 26. Februar 2027, und empfiehlt stattdessen gpt-transcribe oder gpt-live-transcribe
AssemblyAI GET /v2/transcript/{transcript_id}/srt oder /vtt, mit chars_per_caption Arabisch auf Universal-2 gelistet, im WER-Band 10 bis 25 %
Speechmatics format=srt am Transkript-Endpunkt; srt_overrides mit max_line_length und max_lines; Wort-Items tragen start_time und end_time Arabisch, plus ein Arabisch-Englisch-Paket ar_en
Deepgram Wort- und Äußerungs-Zeitstempel; offizielle Untertitel-Bibliotheken für Python und JavaScript, die SRT und WebVTT schreiben Arabisch und regionale Codes auf Nova-3
ElevenLabs timestamps_granularity Wort oder Zeichen; jedes Wort hat start und end in Sekunden Arabisch gelistet, im WER-Band 10 bis 20 %
BroadNet Inference Nur {"text": ...} Arabisch-spezifisches Modell und ein Modell für 14 Sprachen

Wenn Sie Modelle selbst betreiben können, kann der whisper-Filter von FFmpeg, gebaut gegen whisper.cpp, direkt srt schreiben und hat eine Option max_len für kürzere Zeilen.

Für einen ersten Vergleich von Genauigkeit und Preis bei Arabisch siehe den Kaufratgeber für arabische Speech-to-Text-APIs und Speech-to-Text-Preise im Vergleich. Zeitstempel sind eine Zeile in dieser Entscheidung, nicht die einzige.

Wie macht man Untertitel aus einer reinen Text-API?

Sie erzeugen Ihre eigenen Zeitstempel aus den Stellen, an denen Sie das Audio schneiden. Die Schritte:

  1. Pausen finden. silencedetect von FFmpeg loggt silence_start und silence_end in Sekunden, wo immer der Pegel für eine Mindestdauer unter einer Schwelle bleibt.
  2. Pausen in Sprechabschnitte umwandeln. Alles zwischen zwei Stillen ist ein Abschnitt. Begrenzen Sie Abschnitte auf etwa 12 Sekunden, damit auch ein Sprecher, der nie pausiert, kurze Untertitel erzeugt.
  3. Jeden Abschnitt transkribieren. Schneiden Sie ihn als 16-kHz-Mono-WAV aus und senden Sie ihn mit language=ar.
  4. Die Untertitel takten. Start und Ende des Abschnitts sind Ihre Ankerzeiten. Braucht sein Text mehrere Zeilen, verteilen Sie die Zeit des Abschnitts im Verhältnis zur Länge auf sie.
  5. SRT schreiben und Zeilenlänge, Lesegeschwindigkeit und Dauer gegen die Stilregeln prüfen.

Das ist dieselbe Aufteilung wie beim Transkribieren langer Audiodateien, mit einem anderen Ziel. Dort sind Chunks etwa 10 Minuten lang, und es zählt nur der zusammengefügte Text. Hier sind Chunks Sekunden lang, weil jeder zu Untertitelzeiten wird. Das Audio-Splitter-Tool erstellt die FFmpeg-Befehle, wenn Sie lieber von Hand teilen.

Die Pipeline in Python

Dieses Skript nutzt das OpenAI Python SDK und FFmpeg. Wir haben es am 15. November 2026 gegen einen lokalen Mock-Server laufen lassen, der wie der dokumentierte Endpunkt von BroadNet antwortet ({"text": ...}), mit einer generierten Testdatei aus Tönen und Lücken. Die SRT oben ist seine Ausgabe. Es wurde kein BroadNet-Schlüssel verwendet; der arabische Text stammt also vom Mock, nicht vom Modell.

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")

Starten Sie es mit gesetztem BROADNET_API_KEY: python make_srt.py episode.wav episode.srt. Bei der Testdatei fand die Pausenerkennung Abschnitte von 0 bis 2,8 s, 3,6 bis 7,6 s, 8,8 bis 28,8 s (bei 12 s geschnitten, weil es keine Pause gab) und 29,4 bis 30,9 s, was dem Aufbau der Datei entsprach. Die Ausgabe ließ sich mit dem Python-Paket srt sauber parsen und mit FFmpeg in WebVTT umwandeln.

Stimmen Sie zwei Werte auf Ihr Audio ab. noise ist der Pegel, der als Stille zählt: Probieren Sie -30 bis -40 dB für saubere Sprache und höhere Werte für laute Räume. min_silence ist die Mindestdauer einer Lücke: 0,3 bis 0,5 Sekunden erfassen Pausen zwischen Sätzen, ohne bei jedem Atemzug zu teilen.

Wie genau ist Timing auf Chunk-Ebene?

Seien Sie sich klar darüber, was diese Methode kann und was nicht.

  • Die Abschnittsgrenzen sind der beste Teil. Untertitelanfänge und -enden, die auf eine echte Pause fallen, sind so genau wie die Stilleerkennung. Bei unserer synthetischen Testdatei passten sie exakt; echte Aufnahmen mit Atmern und Raumgeräuschen sind unordentlicher.
  • Zeiten innerhalb eines Abschnitts sind Schätzungen. Enthält ein Abschnitt zwei oder drei Untertitel, verteilt das Skript seine Zeit nach Zeichenzahl. Sprecher reden nicht in konstantem Tempo, diese inneren Grenzen können also um eine Sekunde oder mehr danebenliegen.
  • Feste Schnitte können Wörter zerteilen. Läuft ein Abschnitt ohne Pause über die 12-Sekunden-Grenze, landet der Schnitt, wo er eben landet. Ein Wort am Schnitt kann verloren gehen oder verstümmelt werden. Erhöhen Sie zuerst noise oder senken Sie min_silence, damit weniger Abschnitte einen festen Schnitt brauchen.
  • Kurze Chunks geben dem Modell weniger Kontext. Ein 3-Sekunden-Clip hat um jedes Wort herum weniger Wörter als eine 10-Minuten-Datei. Wir haben nicht gemessen, wie stark das die Genauigkeit bei Arabisch verändert; testen Sie es an Ihrem eigenen Audio mit der WER.
  • Keine Sprecherlabels. BroadNet liefert keine Diarisierung, die Untertitel sagen also nicht, wer spricht.
  • Musik und Geräusche. Hintergrundmusik kann Pausen ganz verdecken. Dann sind die meisten Abschnitte feste Schnitte, und das Timing wird schlechter.

Für Vorlesungen, Podcasts, Webinare und Schulungsvideos sind Untertitel, die weniger als eine Sekunde von der Sprache abweichen, meist gut lesbar. Für Spielfilme, Musikvideos oder alles Lippensynchrone nutzen Sie einen Anbieter mit Wort-Zeitstempeln oder lassen einen Untertitler die Datei nachbearbeiten.

Was kostet es, und wie schnell ist es?

Der Preis folgt der Audiolänge. Eine Stunde Arabisch mit BroadNet Transcribe Arabic kostet $0.25, ob Sie sie als eine Datei oder als 720 Dateien zu je fünf Sekunden senden. Die Preisseite von BroadNet nennt einen Preis pro Audiominute und kein Minimum pro Datei; prüfen Sie nach Ihrer ersten Episode die Nutzungsseite zur Bestätigung.

Die Geschwindigkeit folgt der Zahl der Anfragen. Ein Pay-as-you-go-Schlüssel erlaubt 30 Anfragen pro Minute und 4 gleichzeitig. Eine Stunde Sprache, in 5-Sekunden-Abschnitte geteilt, sind etwa 720 Anfragen, was mindestens 720 ÷ 30 Minuten dauert. Längere Abschnitte bedeuten weniger Anfragen. Wenn Sie einen 429 bekommen, halten Sie sich zurück wie in der Anleitung zu Fehlern und Retries, und verteilen Sie einen Job nicht auf mehrere Schlüssel, um die veröffentlichten Limits zu umgehen.

Wo BroadNet Inference ins Bild passt

BroadNet Transcribe Arabic eignet sich für die Texthälfte eines Untertitel-Jobs: arabische Sprache zu arabischem Text für $0.0042 pro Minute, wobei Audio und Transkripte nach der Anfrage nicht gespeichert werden. Das Startguthaben von $5 deckt Transkription, Sie können die Pipeline also an echten Episoden testen, bevor Sie aufladen. Es liefert keine Zeitstempel, Segmente, Sprecherlabels oder SRT. Wenn Ihre Untertitel Timing auf Wortebene brauchen, nutzen Sie einen Anbieter, der es dokumentiert, oder richten Sie den Text von BroadNet mit einem Forced-Alignment-Tool am Audio aus. Anfrageformate und Limits stehen in der API-Referenz von BroadNet, die Einrichtung in der Anleitung zu arabischem Speech-to-Text.

Häufige Fragen

Kann ich eine SRT-Datei direkt von der Transkriptions-API von BroadNet bekommen?

Nein. Die Doku von BroadNet zeigt eine JSON-Antwort mit einem einzigen text-Feld und keine Option für SRT, VTT oder Zeitstempel. Die Metadaten von /v1/models (geprüft am 2026-11-15) nennen die Antwortformate json, text und verbose_json, aber keine Quelle sagt, dass verbose_json Zeitstempel enthält. Bauen Sie das Timing selbst aus Chunk-Offsets, wie in diesem Beitrag, oder nutzen Sie einen Anbieter, der Zeitstempel dokumentiert.

Welche Speech-to-Text-APIs exportieren SRT für Arabisch?

Unter den am 15. November 2026 geprüften Anbietern dokumentieren AssemblyAI (ein Untertitel-Endpunkt, Arabisch auf Universal-2) und Speechmatics (format=srt, Arabisch und ein Arabisch-Englisch-Paket) den SRT-Export. OpenAI dokumentiert SRT für whisper-1, das abgekündigt ist. Deepgram dokumentiert Untertitel-Bibliotheken auf Basis seiner Zeitstempel.

Wie viele Zeichen pro Zeile sollten arabische Untertitel haben?

Der Arabic Timed Text Style Guide von Netflix legt 42 Zeichen pro Zeile und höchstens zwei Zeilen fest. Die Grenze der Lesegeschwindigkeit liegt für Erwachsenenprogramme bei bis zu 20 Zeichen pro Sekunde und für Kinderprogramme bei 17.

Wie genau sind Untertitel, die über Audio-Chunks getaktet werden?

Start und Ende jedes Chunks sind so genau wie die Pausenerkennung, stimmen Sie diese also auf Ihr Audio ab. Untertitel innerhalb eines Chunks erhalten aus der Textlänge geschätzte Zeiten und können daher um eine Sekunde oder mehr abweichen. Das passt für Vorträge und Podcasts, nicht für lippensynchrone Spielfilme.

Warum steht die Zeichensetzung in meiner arabischen SRT auf der falschen Seite?

SRT hat kein Markup für die Schreibrichtung, der Player entscheidet also, wie er Text von rechts nach links darstellt. Testen Sie die Datei in den Playern Ihres Publikums. Verrutscht die Zeichensetzung, probieren Sie ein Format mit reicherem Styling oder eine Player-Einstellung für RTL-Text.

Kostet es mehr, Audio in kurze Chunks zu teilen?

BroadNet berechnet Transkription pro Audiominute, die Gesamtmenge an Audio bleibt also gleich. Es bedeutet aber mehr Anfragen: Kurze Chunks erreichen das Pay-as-you-go-Limit von 30 Anfragen pro Minute schneller. Prüfen Sie nach einem ersten Lauf Ihre Nutzungsseite, um die Abrechnung zu bestätigen.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen

Quellen