---
title: "Arabic SRT subtitles mula sa speech-to-text API | BroadRouter"
description: "Ano ang kailangan ng SRT file, aling speech-to-text API ang may timestamp o SRT para sa Arabic, at nasubok na pipeline para sa subtitle mula sa text-only na API."
url: https://broadrouter.com/fil/blog/arabic-subtitles-srt-api/
lang: fil
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/arabic-subtitles-srt-api/) (na-update noong 2026-11-16).

# Arabic subtitles (SRT) mula sa speech-to-text API: ang kailangan mo

Ng BroadNet Inference team · 7 minutong basa · Nailathala 2026-11-15 · Na-update 2026-11-16

Kailangan ng SRT file ng text kasama ang simula at dulong oras ng bawat caption. Pinakamaganda ang timing ng mga API na may word o segment timestamp, o direktang SRT export. Text lang ang ibinabalik ng BroadNet Transcribe Arabic, kaya hatiin ang audio sa mga pause, i-transcribe ang bawat chunk at i-time ang caption mula sa offset ng chunk. Ayos para sa talk at podcast, hindi para sa frame-accurate na film subtitle.

## Mga pangunahing punto

-   Ang SRT ay numbered na listahan ng caption, bawat isa may linyang hh:mm:ss,mmm --> hh:mm:ss,mmm. Ayon sa Library of Congress, wala itong pormal na specification at walang standard sa character encoding.
-   Ang naka-dokumentong transcription response ng BroadNet ay {"text": ...} lang: walang timestamp, walang segment at walang SRT output.
-   Dino-dokumento ng OpenAI ang SRT at word timestamp sa whisper-1 lang, na nakalistang isasara sa Pebrero 26, 2027. May naka-dokumentong SRT export ang AssemblyAI at Speechmatics; may naka-dokumentong word timestamp ang Deepgram at ElevenLabs.
-   Itinatakda ng Arabic guide ng Netflix ang 42 character kada linya, dalawang linya at hanggang 20 character kada segundo para sa mga programang pang-adult; nililimitahan ng general guide nito ang caption sa 7 segundo.
-   Kasing-tumpak lang ng mga pause mo ang chunk-level na timing. Sa loob ng chunk, tinatantiya ang oras ng caption mula sa haba ng text.

**Sa page na ito**

1.  Ano ang kailangan ng SRT file?
2.  Gaano kahaba dapat ang isang linya ng Arabic na subtitle?
3.  Aling mga speech-to-text API ang nagdo-dokumento ng timestamp o SRT?
4.  Paano gumawa ng subtitle mula sa text-only na API?
5.  Ang pipeline sa Python
6.  Gaano katumpak ang chunk-level na timing?
7.  Magkano ito, at gaano kabilis?
8.  Saan pumapasok ang BroadNet Inference

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.

```text
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](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/) at ang [paghahambing ng presyo ng speech-to-text](https://broadrouter.com/fil/blog/speech-to-text-api-pricing-compared/). 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:

1.  **Hanapin ang mga pause.** Nilo-log ng `silencedetect` ng FFmpeg ang `silence_start` at `silence_end` sa segundo saanman nananatiling mas mababa sa threshold ang level nang minimum na tagal.
2.  **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.
3.  **I-transcribe ang bawat span.** Putulin ito sa 16 kHz mono WAV at ipadala na may `language=ar`.
4.  **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.
5.  **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](https://broadrouter.com/fil/blog/transcribe-long-audio-files-api/), 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](https://broadrouter.com/tools/audio-splitter-ffmpeg/) 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.

```python
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 `noise` o babaan ang `min_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](https://broadrouter.com/fil/blog/arabic-asr-wer-explained/).
-   **Walang speaker label.** Walang [diarization](https://broadrouter.com/fil/glossary/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](https://broadrouter.com/fil/glossary/timestamps-asr/) 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](https://broadrouter.com/fil/guides/errors-and-retries/), 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](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-subtitles-srt-api&utm_content=body) ang hugis ng request at mga limit, at nasa [gabay sa Arabic speech-to-text](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/) ang setup.

Mga libreng tool para rito (Ingles)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[SRT subtitles](https://broadrouter.com/fil/glossary/srt-subtitles/)

Ang SRT (SubRip) ay plain-text na subtitle format. Binubuo ang bawat caption ng sequence number, oras ng simula at dulo na nakasulat bilang hh:mm:ss,mmm --> hh:mm:ss,mmm, isa o higit pang linya ng text, at isang blangkong linya. Ang WebVTT ang katulad na web format na ginagamit ng HTML video.

[Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/)

Ang speech-to-text, na tinatawag ding automatic speech recognition (ASR), ay teknolohiyang ginagawang nakasulat na text ang binigkas na audio. Tumatanggap ang speech-to-text API ng audio file o stream at nagbabalik ng transcript, kadalasang may presyo kada minuto ng audio. Sinusukat ang accuracy gamit ang word error rate, at nag-iiba ito ayon sa accent, dialect at kalidad ng recording.

[Pay-as-you-go](https://broadrouter.com/fil/glossary/pay-as-you-go/)

Ang pay-as-you-go ay paraan ng pagpepresyo kung saan ang nagamit mo lang ang binabayaran mo, sinusukat kada yunit gaya ng token, request o minuto ng audio, nang walang subscription o minimum na commitment. Ganito naniningil ang karamihan ng LLM API, mula sa prepaid na balance o sa pana-panahong invoice.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

[Word error rate (WER)](https://broadrouter.com/fil/glossary/word-error-rate/)

Ang word error rate (WER) ay ang karaniwang sukatan ng accuracy sa speech recognition: ang bilang ng substitution, deletion at insertion ng salita na kailangan para gawing tamang reference ang isang transcript, hinati sa bilang ng salita sa reference. Mas mababa, mas maganda.

[Modern Standard Arabic (MSA)](https://broadrouter.com/fil/glossary/msa/)

Ang Modern Standard Arabic (MSA) ay ang standardized na anyo ng Arabic na ginagamit sa pagsulat, balita, edukasyon at pormal na pananalita sa buong mundong Arabo. Hindi ito katutubong pang-araw-araw na wika ninuman: mga rehiyonal na dialect gaya ng Egyptian o Gulf Arabic ang sinasalita, at lumilipat sa MSA sa pormal na sitwasyon.

[Rate limit](https://broadrouter.com/fil/glossary/rate-limit/)

Ang rate limit ay hangganang itinatakda ng API sa dami ng paggamit ng isang client sa isang yugto ng oras, gaya ng request kada minuto o token kada minuto. Tinatanggihan ang mga request na lampas sa limit, kadalasan na may HTTP 429 Too Many Requests, hanggang bumaba ulit ang paggamit.

[Speaker diarization](https://broadrouter.com/fil/glossary/diarization/)

Ang speaker diarization ay ang task ng paghahati ng audio recording sa mga segment ayon sa nagsasalita, na sumasagot sa tanong na "sino ang nagsalita at kailan". Nilalagyan nito ang bawat bahagi ng pananalita ng anonymous na speaker ID gaya ng SPEAKER\_00, at kadalasang isinasama sa transcript para makita kung sino ang nagsabi ng bawat linya.

## Mga tanong

### Makakakuha ba ako ng SRT file nang direkta mula sa transcription API ng BroadNet?

Hindi. Ipinapakita ng docs ng BroadNet ang JSON response na may iisang text field, at walang opsyon para sa SRT, VTT o timestamp. Naglilista ang /v1/models metadata nito (sinuri noong 2026-11-15) ng json, text at verbose\_json na response format, pero walang source na nagsasabing may timestamp ang verbose\_json. Ikaw ang bumuo ng timing mula sa offset ng chunk, gaya sa post na ito, o gumamit ng provider na nagdo-dokumento ng timestamp.

### Aling mga speech-to-text API ang nag-e-export ng SRT para sa Arabic?

Sa mga sinuri namin noong Nobyembre 15, 2026, may naka-dokumentong SRT export ang AssemblyAI (subtitles endpoint, Arabic sa Universal-2) at Speechmatics (format=srt, Arabic at Arabic-English na pack). Dino-dokumento ng OpenAI ang SRT sa whisper-1, na deprecated na. Dino-dokumento ng Deepgram ang mga caption library na nakabatay sa timestamp nito.

### Ilang character kada linya dapat ang Arabic na subtitle?

Itinatakda ng Arabic Timed Text Style Guide ng Netflix ang 42 character kada linya at maximum na dalawang linya. Ang limit nito sa reading speed para sa programang pang-adult ay hanggang 20 character kada segundo, at 17 para sa programang pambata.

### Gaano katumpak ang subtitle na naka-time mula sa audio chunk?

Kasing-tumpak ng pause detection ang simula at dulo ng bawat chunk, kaya i-tune ito sa audio mo. Tinatantiya mula sa haba ng text ang oras ng mga caption sa loob ng chunk, kaya puwede itong lumihis nang isang segundo o higit pa. Bagay iyan sa talk at podcast, hindi sa drama na lip-synced.

### Bakit nasa maling panig ang bantas sa Arabic SRT ko?

Walang direction markup ang SRT, kaya ang player ang nagpapasya kung paano ilalatag ang right-to-left na text. Subukan ang file sa mga player na ginagamit ng audience mo. Kung lumilipat ang bantas, subukan ang format na may mas mayamang styling o setting ng player para sa RTL na text.

### Mas mahal ba kapag hinati ang audio sa maiikling chunk?

Sinisingil ng BroadNet ang transcription kada minuto ng audio, kaya pareho ang kabuuang audio. Pero mas maraming request ito: mas maagang tatamaan ng maiikling chunk ang pay-as-you-go limit na 30 request kada minuto. Tingnan ang usage page mo pagkatapos ng unang run para kumpirmahin ang singil.

## Magbasa pa

-   [Pag-transcribe ng audio na lampas 25 MB: hatiin, ipadala, pagdugtungin](https://broadrouter.com/fil/blog/transcribe-long-audio-files-api/)
-   [Arabic speech-to-text API: paano pumili sa 2026](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Alternatibo sa Whisper API: kailan lilipat, at paano ito i-test](https://broadrouter.com/fil/blog/whisper-api-alternative/)
-   [Arabic meeting minutes mula sa recording: isang API pipeline](https://broadrouter.com/fil/blog/arabic-meeting-minutes-from-recordings/)
-   [Presyo ng speech-to-text API, ikinumpara: kada minuto sa 2026](https://broadrouter.com/fil/blog/speech-to-text-api-pricing-compared/)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/)
-   [Arabic grammar at spelling correction gamit ang LLM: paano gawin](https://broadrouter.com/fil/blog/arabic-grammar-spelling-correction-llm/)
-   [Gabay: Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)
-   [Gabay: Mga error code ng BroadNet Inference at kailan dapat mag-retry](https://broadrouter.com/fil/guides/errors-and-retries/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-subtitles-srt-api&utm_content=page-cta) ·

**Mga source**

-   [API reference ng BroadNet Inference: transcription request at {"text": ...} na response, limit ng pay-as-you-go (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-subtitles-srt-api&utm_content=sources)
-   [Library of Congress, Sustainability of Digital Formats: paglalarawan ng SubRip (SRT) format fdd000569 (sinuri noong 2026-11-15)](https://www.loc.gov/preservation/digital/formats/fdd/fdd000569.shtml)
-   [Netflix Partner Help Center, Arabic Timed Text Style Guide: 42 character kada linya, limit sa reading speed (sinuri noong 2026-11-15)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215517947)
-   [Netflix Partner Help Center, Timed Text Style Guide: General Requirements, minimum at maximum na tagal (sinuri noong 2026-11-15)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements)
-   [API reference ng OpenAI, create transcription: response\_format at timestamp\_granularities ayon sa model (sinuri noong 2026-11-15)](https://developers.openai.com/api/reference/resources/audio/subresources/transcriptions/methods/create)
-   [Gabay sa speech-to-text ng OpenAI: timestamp\_granularities sa whisper-1 lang, petsa ng deprecation (sinuri noong 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Mga deprecation ng OpenAI: isasara ang whisper-1 at mga gpt-4o transcribe model sa Pebrero 26, 2027; kapalit ang gpt-transcribe o gpt-live-transcribe (sinuri noong 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [API reference ng AssemblyAI, Get subtitles: ang transcript subtitles endpoint, SRT o VTT format (sinuri noong 2026-11-15)](https://www.assemblyai.com/docs/api-reference/transcripts/get-subtitles)
-   [AssemblyAI, mga suportadong wika para sa pre-recorded na audio (sinuri noong 2026-11-15)](https://www.assemblyai.com/docs/pre-recorded-audio/supported-languages)
-   [Docs ng Speechmatics, batch output format: format=srt at srt\_overrides (sinuri noong 2026-11-15)](https://docs.speechmatics.com/speech-to-text/batch/output)
-   [Docs ng Speechmatics, mga suportadong wika: Arabic at ang ar\_en na bilingual pack (sinuri noong 2026-11-15)](https://docs.speechmatics.com/speech-to-text/languages)
-   [Docs ng Deepgram, awtomatikong paggawa ng WebVTT at SRT caption (sinuri noong 2026-11-15)](https://developers.deepgram.com/docs/automatically-generating-webvtt-and-srt-captions)
-   [Docs ng Deepgram, overview ng mga model at wika: Arabic sa Nova-3 (sinuri noong 2026-11-15)](https://developers.deepgram.com/docs/models-languages-overview)
-   [API reference ng ElevenLabs, speech-to-text: timestamps\_granularity at word start/end (sinuri noong 2026-11-15)](https://elevenlabs.io/docs/api-reference/speech-to-text/convert)
-   [Dokumentasyon ng FFmpeg filters: silencedetect at whisper filter (sinuri noong 2026-11-15)](https://ffmpeg.org/ffmpeg-filters.html)
