Ang subtitle ay text na may nakakabit na oras. Ang pagkuha ng mga oras na iyon ang karamihan ng trabaho sa Arabic subtitle pipeline. Ibinibigay ito sa iyo ng ilang speech-to-text API bilang word timestamp o tapos nang SRT file. Ang iba, kasama ang BroadNet Inference, ay text ng transcript lang ang ibinabalik. Ipinapaliwanag ng post na ito kung ano ang kailangan ng SRT file, aling mga provider ang nagdo-dokumento ng timestamp, at paano gumawa ng magagamit na Arabic subtitle mula sa text-only na API, na malinaw na sinasabi ang mga limitasyon.
Sariling site ng BroadNet ang BroadRouter. Kung kailangan mo ng frame-accurate na timing, ang tapat na sagot sa ibaba ay provider na may word timestamp, hindi BroadNet.
Ano ang kailangan ng SRT file?
Plain text ang SRT (SubRip) file. Apat na bahagi ang bawat caption: numero, linya ng oras, isa o dalawang linya ng text, at blangkong linya.
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
Ibinibigay ng format description ng Library of Congress ang format ng oras bilang hours:minutes:seconds,milliseconds at ang arrow bilang dalawang hyphen at right angle bracket. Sinasabi rin nito na ang SRT ay “not well standardized” (salin: hindi maayos na naka-standardize) at ang mga SRT file ay “do not have a character encoding standard” (salin: walang standard sa character encoding). Para sa Arabic, magsulat sa UTF-8 at subukan sa target mong player. Ang WebVTT, ang kahalili nito sa web, ay gumagamit ng tuldok sa halip na kuwit bago ang milliseconds.
Kaya ang mahigpit na kailangan ay simula at dulong oras para sa bawat caption. Hindi sapat ang text lang.
Gaano kahaba dapat ang isang linya ng Arabic na subtitle?
Gumamit ng nakalathalang style guide sa halip na manghula. Itinatakda ng Arabic Timed Text Style Guide ng Netflix (change log na may petsang 2025-12-19) ang:
| Patakaran | Value ng Netflix |
|---|---|
| Character kada linya | 42 |
| Linya kada caption | Dalawa ang pinakamarami |
| Reading speed, programang pang-adult | Hanggang 20 character kada segundo |
| Reading speed, programang pambata | Hanggang 17 character kada segundo |
| Line break | Huwag paghiwalayin ang verb at subject nito, ang preposition at noun nito, o ang numero at ang binibilang nito |
Nagdadagdag ang general requirements ng Netflix ng minimum na five-sixths ng isang segundo at maximum na 7 segundo kada caption. Humihingi rin ang Arabic guide ng Modern Standard Arabic sa mga isinaling subtitle. Patakaran iyon sa pagsasalin; nananatili sa dialect ang transcript ng pananalitang dialect.
Nagiging code ang mga numerong iyon: mag-wrap sa 42 character, dalawang linya kada caption, magbabala kapag lampas 20 character kada segundo, at huwag kailanman panatilihin ang caption nang mahigit 7 segundo.
Aling mga speech-to-text API ang nagdo-dokumento ng timestamp o SRT?
Binasa namin ang kasalukuyang docs ng bawat provider noong Nobyembre 15, 2026. Inililista nito ang dino-dokumento nila, hindi kung gaano katumpak ang timing.
| Provider | Iniaalok ng docs | Arabic |
|---|---|---|
| OpenAI | response_format na srt, vtt o verbose_json, at timestamp_granularities[] na word o segment, sa whisper-1 lang. json lang ang ibinabalik ng gpt-4o-transcribe at gpt-4o-mini-transcribe |
Hindi sinuri. Inililista ng deprecations page ng OpenAI ang whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe at gpt-4o-transcribe-diarize bilang deprecated, lahat isasara sa Pebrero 26, 2027, at inirerekomenda ang gpt-transcribe o gpt-live-transcribe sa halip |
| AssemblyAI | GET /v2/transcript/{transcript_id}/srt o /vtt, na may chars_per_caption |
Nakalista ang Arabic sa Universal-2, sa 10 hanggang 25% WER band nito |
| Speechmatics | format=srt sa transcript endpoint; srt_overrides na may max_line_length at max_lines; may start_time at end_time ang mga word item |
Arabic, at ar_en na Arabic-English pack |
| Deepgram | Word at utterance timestamp; opisyal na Python at JavaScript caption library na sumusulat ng SRT at WebVTT | Arabic at mga regional code sa Nova-3 |
| ElevenLabs | timestamps_granularity na word o character; may start at end sa segundo ang bawat salita |
Nakalista ang Arabic, sa 10 hanggang 20% WER band nito |
| BroadNet Inference | {"text": ...} lang |
Arabic-specific na model at 14-language na model |
Kung kaya mong magpatakbo ng model nang sarili, ang whisper filter ng FFmpeg, na naka-build sa whisper.cpp, ay direktang makakasulat ng srt at may max_len na opsyon para sa mas maiikling linya.
Para sa unang paghahambing ng accuracy at presyo sa Arabic, tingnan ang buyer’s guide sa Arabic speech-to-text API at ang paghahambing ng presyo ng speech-to-text. Isang row lang ang timestamp sa desisyong iyon, hindi lang ito.
Paano gumawa ng subtitle mula sa text-only na API?
Gagawa ka ng sarili mong timestamp mula sa kung saan mo pinutol ang audio. Ang mga hakbang:
- Hanapin ang mga pause. Nilo-log ng
silencedetectng FFmpeg angsilence_startatsilence_endsa segundo saanman nananatiling mas mababa sa threshold ang level nang minimum na tagal. - Gawing speech span ang mga pause. Isang span ang lahat ng nasa pagitan ng dalawang katahimikan. Lagyan ng cap ang span sa mga 12 segundo, para makagawa pa rin ng maiikling caption ang nagsasalitang hindi tumitigil.
- I-transcribe ang bawat span. Putulin ito sa 16 kHz mono WAV at ipadala na may
language=ar. - I-time ang mga caption. Ang simula at dulo ng span ang anchor time mo. Kung kailangan ng ilang linya ang text nito, hatiin ang oras ng span sa kanila ayon sa haba nila.
- Isulat ang SRT at suriin ang haba ng linya, reading speed at tagal laban sa mga style rule.
Ito rin ang paghahati sa pag-transcribe ng mahahabang audio file, pero iba ang layunin. Doon, mga 10 minuto ang chunk at ang pinagsamang text lang ang mahalaga. Dito, ilang segundo lang ang chunk dahil nagiging oras ng caption ang bawat isa. Binubuo ng audio splitter tool ang mga FFmpeg command kung mas gusto mong maghati nang mano-mano.
Ang pipeline sa Python
Gumagamit ang script na ito ng OpenAI Python SDK at FFmpeg. Pinatakbo namin ito noong Nobyembre 15, 2026 sa isang lokal na mock server na sumasagot gaya ng naka-dokumentong endpoint ng BroadNet ({"text": ...}), gamit ang ginawang test file ng mga tono at puwang. Ang SRT sa itaas ang output nito. Walang BroadNet key na ginamit, kaya mula sa mock ang Arabic na text, hindi mula sa model.
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")
Patakbuhin ito nang naka-set ang BROADNET_API_KEY: python make_srt.py episode.wav episode.srt. Sa test file, nakahanap ang pause detection ng mga span sa 0 hanggang 2.8 s, 3.6 hanggang 7.6 s, 8.8 hanggang 28.8 s (pinutol sa 12 s dahil walang pause) at 29.4 hanggang 30.9 s, na tugma sa pagkakabuo ng file. Malinis na na-parse ang output gamit ang Python srt package at na-convert sa WebVTT gamit ang FFmpeg.
I-tune ang dalawang value sa audio mo. Ang noise ay ang level na itinuturing na katahimikan: subukan ang -30 hanggang -40 dB para sa malinis na pananalita at mas mataas para sa maingay na kuwarto. Ang min_silence ay kung gaano katagal dapat ang puwang: nahuhuli ng 0.3 hanggang 0.5 segundo ang mga pause sa pagitan ng pangungusap nang hindi hinahati ang bawat paghinga.
Gaano katumpak ang chunk-level na timing?
Maging malinaw sa kung ano ang kaya at hindi kaya ng pamamaraang ito.
- Ang gilid ng span ang pinakamagandang bahagi. Kasing-tumpak ng silence detection ang simula at dulo ng caption na tumatapat sa totoong pause. Sa aming synthetic na test file, eksaktong tugma ang mga ito; mas magulo ang totoong recording na may paghinga at ingay ng kuwarto.
- Tantiya ang mga oras sa loob ng span. Kapag may dalawa o tatlong caption ang span, hinahati ng script ang oras nito ayon sa bilang ng character. Hindi pare-pareho ang bilis ng pagsasalita ng tao, kaya puwedeng mali nang isang segundo o higit pa ang mga panloob na hangganan.
- Puwedeng hatiin ng fixed na putol ang mga salita. Kapag lumampas ang span sa 12-segundong cap nang walang pause, kung saan man tumama ang putol, doon ito. Puwedeng mawala o masira ang salita sa putol. Itaas muna ang
noiseo babaan angmin_silence, para mas kaunting span ang mangailangan ng fixed na putol. - Mas kaunting context ang naibibigay sa model ng maiikling chunk. Mas kaunti ang salita sa paligid ng bawat salita sa 3-segundong clip kaysa sa 10-minutong file. Hindi pa namin nasusukat kung gaano nito binabago ang accuracy sa Arabic; subukan ito sa sarili mong audio gamit ang WER.
- Walang speaker label. Walang diarization na ibinabalik ang BroadNet, kaya hindi sinasabi ng mga caption kung sino ang nagsasalita.
- Musika at ingay. Puwedeng ganap na itago ng background music ang mga pause. Kung ganoon, fixed na putol ang karamihan ng span, at lumalala ang timing.
Para sa lecture, podcast, webinar at training video, kadalasang nababasa ang mga caption na nasa loob ng isang segundo ng pananalita. Para sa drama, music video o anumang lip-synced, gumamit ng provider na may word timestamp o ipaayos ang file sa isang subtitler.
Magkano ito, at gaano kabilis?
Sumusunod sa haba ng audio ang presyo. $0.25 ang isang oras ng Arabic sa BroadNet Transcribe Arabic, ipadala mo man ito bilang isang file o 720 file na tig-limang segundo. Naglilista ang pricing page ng BroadNet ng presyo kada minuto ng audio at walang per-file na minimum; tingnan ang usage page pagkatapos ng unang episode mo para kumpirmahin.
Sumusunod sa bilang ng request ang bilis. Pinapayagan ng pay-as-you-go key ang 30 request kada minuto at 4 in flight. Ang isang oras ng pananalita na hinati sa 5-segundong span ay mga 720 request, na aabot nang hindi bababa sa 720 ÷ 30 minuto. Mas mahahabang span, mas kaunting request. Kung matamaan mo ang 429, mag-back off gaya sa gabay sa mga error at retry, at huwag hatiin ang isang job sa ilang key para lusutan ang mga nakalathalang limit.
Saan pumapasok ang BroadNet Inference
Bagay ang BroadNet Transcribe Arabic sa text na kalahati ng subtitle job: Arabic na pananalita tungo sa Arabic na text sa $0.0042 kada minuto, at hindi itinatago ang audio at transcript pagkatapos ng request. Sakop ng $5 na panimulang credit ang transcription, kaya masusubukan mo ang pipeline sa totoong mga episode bago mag-top-up. Hindi ito nagbabalik ng timestamp, segment, speaker label o SRT. Kung kailangan ng word-level na timing ang subtitle mo, gumamit ng provider na nagdo-dokumento nito, o i-align ang text ng BroadNet sa audio gamit ang forced-alignment tool. Nasa API reference ng BroadNet ang hugis ng request at mga limit, at nasa gabay sa Arabic speech-to-text ang setup.
