Eine Untertiteldatei ist ein Transkript mit angehängter Uhr. Den Text zu bekommen ist die leichte Hälfte; die Zeiten sind die schwere.
So funktioniert es
Eine SRT-Datei ist Klartext. Jeder Untertitelblock hat vier Teile:
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
Die Formatbeschreibung der Library of Congress gibt das Zeitformat als Stunden:Minuten:Sekunden,Millisekunden an, mit „two hyphens (—) and a right-pointing angle bracket (>)“ (Übersetzung: „zwei Bindestrichen (—) und einer nach rechts zeigenden spitzen Klammer (>)“) zwischen Start und Ende und einer Leerzeile nach jedem Block. Sie nennt SRT „a very simple text format, but not well standardized,“ (Übersetzung: „ein sehr einfaches Textformat, aber nicht gut standardisiert“) ohne Standard für die Zeichenkodierung. Die Dateiendung ist .srt.
WebVTT, das W3C-Format für Texttracks in HTML-Video, sieht fast genauso aus. Die Spezifikation verlangt WEBVTT als erste Zeile, einen Punkt vor den Millisekunden (00:00:10.700), UTF-8-Kodierung und den Medientyp text/vtt. Stand 15. November 2026 ist sie ein W3C Candidate Recommendation Draft.
Warum es wichtig ist
- Das Timing kommt von der API oder von Ihnen. Manche Speech-to-Text APIs liefern Wort- oder Segment-Zeitstempel oder gleich eine fertige Datei. Die Transkriptionsreferenz von OpenAI listet
srtundvttunter den Werten fürresponse_format, sagt aber, dass das Format vom Modell abhängt und dassgpt-4o-transcribeundgpt-4o-mini-transcribenurjsonliefern. - Arabisches Layout. SRT kennt kein Markup für die Schreibrichtung, also entscheidet der Player, wie Rechts-nach-links-Text und Satzzeichen dargestellt werden. Siehe Rechts-nach-links-Text.
- Lesbarkeitsregeln. Zeilenlänge, Zeilen pro Untertitel und Lesegeschwindigkeit legen Styleguides fest, nicht das Format.
Bei BroadNet Inference
Der Transkriptions-Endpoint von BroadNet liefert Text ohne Zeitstempel, kann SRT also nicht direkt erzeugen. Der praktikable Weg, erprobt in Arabische Untertitel (SRT) aus einer Speech-to-Text API:
- Pausen mit
silencedetectvon FFmpeg (oder einer VAD) finden. - Jeden Sprachabschnitt, begrenzt auf etwa 12 Sekunden, als WAV mit 16 kHz mono ausschneiden.
- Jeden Abschnitt mit
language=arüber BroadNet Transcribe Arabic transkribieren. - Start und Ende jedes Abschnitts als Untertitelzeiten verwenden und sie im Verhältnis zur Textlänge auf die Zeilen verteilen.
- Die nummerierten SRT-Blöcke schreiben.
Die Abschnittsgrenzen sind so genau wie Ihre Pausenerkennung; Zeiten innerhalb eines Abschnitts sind Schätzungen. Das reicht für Vorträge und Podcasts, nicht für lippensynchrone Spielfilme. Für bildgenaues Timing nutzen Sie einen Anbieter, der Wortzeitstempel dokumentiert. Kurze Abschnitte bedeuten außerdem mehr Anfragen, achten Sie also auf das Pay-as-you-go-Limit von 30 Anfragen pro Minute. Das Audio-Splitter-Tool schreibt die FFmpeg-Befehle.
Häufige Fehler
- Punkte statt Kommas in SRT-Zeiten oder umgekehrt in WebVTT. Viele Player lehnen die falsche Variante ab.
- Fehlende Leerzeilen zwischen Blöcken, wodurch Untertitel verschmelzen.