---
title: "Subtitle SRT bahasa Arab dari API speech-to-text | BroadRouter"
description: "Isi wajib file SRT, API speech-to-text mana yang memberi timestamp atau SRT untuk bahasa Arab, dan pipeline teruji untuk subtitle dari API yang hanya memberi teks."
url: https://broadrouter.com/id/blog/arabic-subtitles-srt-api/
lang: id
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/blog/arabic-subtitles-srt-api/) (diperbarui 2026-11-16).

# Subtitle bahasa Arab (SRT) dari API speech-to-text: yang Anda butuhkan

Oleh tim BroadNet Inference · 7 menit baca · Dipublikasikan 2026-11-15 · Diperbarui 2026-11-16

File SRT butuh teks plus waktu mulai dan selesai untuk setiap caption. API dengan timestamp per kata atau segmen, atau ekspor SRT langsung, memberi timing terbaik. BroadNet Transcribe Arabic hanya mengembalikan teks, jadi pecah audio di jeda, transkripsikan setiap potongan, dan atur waktu caption dari offset potongan. Cukup untuk talk dan podcast, bukan untuk subtitle film yang akurat per frame.

## Poin penting

-   SRT adalah daftar caption bernomor, masing-masing dengan baris hh:mm:ss,mmm --> hh:mm:ss,mmm. Library of Congress mencatat bahwa format ini tidak punya spesifikasi formal dan tidak punya standar character encoding.
-   Respons transkripsi BroadNet yang terdokumentasi hanya {"text": ...}: tanpa timestamp, tanpa segmen, dan tanpa output SRT.
-   OpenAI mendokumentasikan SRT dan timestamp per kata hanya pada whisper-1, yang dijadwalkan dimatikan pada 26 Februari 2027. AssemblyAI dan Speechmatics mendokumentasikan ekspor SRT; Deepgram dan ElevenLabs mendokumentasikan timestamp per kata.
-   Panduan bahasa Arab Netflix menetapkan 42 karakter per baris, dua baris, dan maksimal 20 karakter per detik untuk program dewasa; panduan umumnya membatasi satu caption maksimal 7 detik.
-   Timing tingkat potongan hanya seakurat jeda Anda. Di dalam satu potongan, waktu caption diperkirakan dari panjang teks.

**Di halaman ini**

1.  Apa yang dibutuhkan file SRT?
2.  Seberapa panjang satu baris subtitle bahasa Arab?
3.  API speech-to-text mana yang mendokumentasikan timestamp atau SRT?
4.  Bagaimana membuat subtitle dari API yang hanya mengembalikan teks?
5.  Pipeline-nya dalam Python
6.  Seberapa akurat timing tingkat potongan?
7.  Berapa biayanya, dan seberapa cepat?
8.  Posisi BroadNet Inference

Subtitle adalah teks yang diberi waktu. Sebagian besar pekerjaan dalam pipeline subtitle bahasa Arab adalah mendapatkan waktu tersebut. Sebagian API speech-to-text memberikannya dalam bentuk timestamp per kata atau file SRT jadi. Yang lain, termasuk BroadNet Inference, hanya mengembalikan teks transkrip. Tulisan ini menjelaskan apa yang dibutuhkan file SRT, penyedia mana yang mendokumentasikan timestamp, dan cara membuat subtitle bahasa Arab yang layak pakai dari API yang hanya mengembalikan teks, dengan batasannya disebutkan secara terbuka.

BroadRouter adalah situs milik BroadNet sendiri. Jika Anda butuh timing yang akurat per frame, jawaban jujurnya di bawah adalah penyedia dengan timestamp per kata, bukan BroadNet.

## Apa yang dibutuhkan file SRT?

File SRT (SubRip) adalah teks biasa. Setiap caption punya empat bagian: nomor, baris waktu, satu atau dua baris teks, dan satu baris kosong.

```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
```

Deskripsi format dari Library of Congress menyebut format waktunya jam:menit:detik,milidetik dan panahnya berupa dua tanda hubung dan satu kurung sudut kanan. Deskripsi itu juga menyebut SRT “not well standardized” (Terjemahan BroadRouter: tidak terstandardisasi dengan baik) dan bahwa file SRT “do not have a character encoding standard” (Terjemahan BroadRouter: tidak punya standar character encoding). Untuk bahasa Arab, tulis dalam UTF-8 dan uji di player target Anda. WebVTT, penerusnya di web, memakai titik alih-alih koma sebelum milidetik.

Jadi syarat mutlaknya adalah waktu mulai dan selesai untuk setiap caption. Teks saja tidak cukup.

## Seberapa panjang satu baris subtitle bahasa Arab?

Gunakan style guide yang sudah dipublikasikan alih-alih menebak. Arabic Timed Text Style Guide dari Netflix (change log bertanggal 2025-12-19) menetapkan:

| Aturan | Nilai Netflix |
| --- | --- |
| Karakter per baris | 42 |
| Baris per caption | Maksimal dua |
| Kecepatan baca, program dewasa | Maksimal 20 karakter per detik |
| Kecepatan baca, program anak | Maksimal 17 karakter per detik |
| Pemenggalan baris | Jangan pisahkan kata kerja dari subjeknya, preposisi dari kata bendanya, atau angka dari yang dihitungnya |

Persyaratan umum Netflix menambahkan durasi minimum lima per enam detik dan maksimum 7 detik per caption. Panduan bahasa Arab juga meminta bahasa Arab Standar Modern untuk subtitle terjemahan. Itu aturan penerjemahan; transkrip ucapan berdialek tetap dalam dialeknya.

Angka-angka itu langsung menjadi kode: bungkus di 42 karakter, dua baris per caption, beri peringatan di atas 20 karakter per detik, dan jangan pernah menahan caption lebih dari 7 detik.

## API speech-to-text mana yang mendokumentasikan timestamp atau SRT?

Kami membaca dokumentasi terbaru setiap penyedia pada 15 November 2026. Daftar ini mencatat apa yang mereka dokumentasikan, bukan seberapa akurat timing-nya.

| Penyedia | Yang ditawarkan dokumentasinya | Bahasa Arab |
| --- | --- | --- |
| OpenAI | `response_format` `srt`, `vtt`, atau `verbose_json`, dan `timestamp_granularities[]` per kata atau segmen, hanya di `whisper-1`. `gpt-4o-transcribe` dan `gpt-4o-mini-transcribe` hanya mengembalikan `json` | Tidak dicek. Halaman deprecation OpenAI mencantumkan `whisper-1`, `gpt-4o-transcribe`, `gpt-4o-mini-transcribe`, dan `gpt-4o-transcribe-diarize` sebagai deprecated, semuanya dimatikan pada 26 Februari 2027, dan merekomendasikan `gpt-transcribe` atau `gpt-live-transcribe` sebagai gantinya |
| AssemblyAI | `GET /v2/transcript/{transcript_id}/srt` atau `/vtt`, dengan `chars_per_caption` | Bahasa Arab tercantum di Universal-2, dalam kelompok WER 10 sampai 25% |
| Speechmatics | `format=srt` di endpoint transkrip; `srt_overrides` dengan `max_line_length` dan `max_lines`; item kata membawa `start_time` dan `end_time` | Bahasa Arab, plus paket Arab-Inggris `ar_en` |
| Deepgram | Timestamp per kata dan per utterance; library caption resmi untuk Python dan JavaScript yang menulis SRT dan WebVTT | Bahasa Arab dan kode regional di Nova-3 |
| ElevenLabs | `timestamps_granularity` per kata atau karakter; setiap kata punya `start` dan `end` dalam detik | Bahasa Arab tercantum, dalam kelompok WER 10 sampai 20% |
| BroadNet Inference | Hanya `{"text": ...}` | Model khusus bahasa Arab dan model 14 bahasa |

Jika Anda bisa menjalankan model sendiri, filter `whisper` FFmpeg, yang di-build dengan whisper.cpp, bisa menulis `srt` langsung dan punya opsi `max_len` untuk baris yang lebih pendek.

Untuk perbandingan awal akurasi bahasa Arab dan harga, lihat [panduan pembeli API speech-to-text bahasa Arab](https://broadrouter.com/id/blog/arabic-speech-to-text-api-buyers-guide/) dan [perbandingan harga speech-to-text](https://broadrouter.com/id/blog/speech-to-text-api-pricing-compared/). Timestamp hanyalah satu baris dalam keputusan itu, bukan satu-satunya.

## Bagaimana membuat subtitle dari API yang hanya mengembalikan teks?

Anda membuat timestamp sendiri dari titik di mana audio dipotong. Langkah-langkahnya:

1.  **Temukan jedanya.** `silencedetect` FFmpeg mencatat `silence_start` dan `silence_end` dalam detik di mana pun level suara tetap di bawah ambang selama durasi minimum.
2.  **Ubah jeda menjadi rentang ucapan.** Semua yang ada di antara dua jeda adalah satu rentang. Batasi rentang sekitar 12 detik, supaya pembicara yang tidak pernah berhenti tetap menghasilkan caption pendek.
3.  **Transkripsikan setiap rentang.** Potong menjadi WAV 16 kHz mono dan kirim dengan `language=ar`.
4.  **Atur waktu caption.** Awal dan akhir rentang adalah waktu acuan Anda. Jika teksnya butuh beberapa baris, bagi waktu rentang di antara baris-baris itu sesuai panjangnya.
5.  **Tulis SRT** dan cek panjang baris, kecepatan baca, dan durasi terhadap aturan style.

Ini pemecahan yang sama seperti di [transkripsi file audio panjang](https://broadrouter.com/id/blog/transcribe-long-audio-files-api/), dengan tujuan berbeda. Di sana, potongan sekitar 10 menit dan Anda hanya peduli pada teks gabungannya. Di sini, potongan hanya beberapa detik karena masing-masing menjadi waktu caption. [Tool pemecah audio](https://broadrouter.com/tools/audio-splitter-ffmpeg/) menyusun perintah FFmpeg jika Anda lebih suka memecah secara manual.

## Pipeline-nya dalam Python

Script ini memakai OpenAI Python SDK dan FFmpeg. Kami menjalankannya pada 15 November 2026 terhadap mock server lokal yang menjawab seperti endpoint terdokumentasi BroadNet (`{"text": ...}`), dengan file uji hasil generate berisi nada dan jeda. SRT di atas adalah output-nya. Tidak ada kunci BroadNet yang dipakai, jadi teks Arab-nya berasal dari mock, bukan dari 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")
```

Jalankan dengan `BROADNET_API_KEY` yang sudah diset: `python make_srt.py episode.wav episode.srt`. Pada file uji, deteksi jeda menemukan rentang 0 sampai 2,8 dtk, 3,6 sampai 7,6 dtk, 8,8 sampai 28,8 dtk (dipotong di 12 dtk karena tidak ada jeda), dan 29,4 sampai 30,9 dtk, sesuai dengan cara file itu dibuat. Output-nya berhasil di-parse dengan paket Python `srt` dan dikonversi ke WebVTT dengan FFmpeg.

Sesuaikan dua nilai dengan audio Anda. `noise` adalah level yang dianggap hening: coba -30 sampai -40 dB untuk ucapan yang bersih dan lebih tinggi untuk ruangan bising. `min_silence` adalah berapa lama jeda harus berlangsung: 0,3 sampai 0,5 detik menangkap jeda antarkalimat tanpa memotong setiap tarikan napas.

## Seberapa akurat timing tingkat potongan?

Pahami dengan jelas apa yang bisa dan tidak bisa dilakukan metode ini.

-   **Tepi rentang adalah bagian terbaiknya.** Awal dan akhir caption yang jatuh di jeda nyata seakurat deteksi heningnya. Pada file uji sintetis kami, hasilnya persis cocok; rekaman nyata dengan suara napas dan bising ruangan lebih berantakan.
-   **Waktu di dalam rentang adalah perkiraan.** Saat satu rentang berisi dua atau tiga caption, script membagi waktunya berdasarkan jumlah karakter. Pembicara tidak berbicara dengan kecepatan konstan, jadi batas di dalamnya bisa meleset satu detik atau lebih.
-   **Potongan tetap bisa memotong kata.** Saat rentang melewati batas 12 detik tanpa jeda, potongan jatuh di mana saja. Kata di titik potong bisa hilang atau rusak. Naikkan `noise` atau turunkan `min_silence` lebih dulu, supaya lebih sedikit rentang yang perlu dipotong paksa.
-   **Potongan pendek memberi model konteks yang lebih sedikit.** Klip 3 detik punya lebih sedikit kata di sekitar setiap kata dibanding file 10 menit. Kami belum mengukur seberapa besar ini mengubah akurasi bahasa Arab; uji pada audio Anda sendiri dengan [WER](https://broadrouter.com/id/blog/arabic-asr-wer-explained/).
-   **Tanpa label pembicara.** BroadNet tidak mengembalikan [diarization](https://broadrouter.com/id/glossary/diarization/), jadi caption tidak menyebut siapa yang berbicara.
-   **Musik dan bising.** Musik latar bisa menyembunyikan jeda sepenuhnya. Akibatnya sebagian besar rentang menjadi potongan tetap, dan timing memburuk.

Untuk kuliah, podcast, webinar, dan video pelatihan, caption yang meleset kurang dari satu detik dari ucapan biasanya masih nyaman dibaca. Untuk drama, video musik, atau apa pun yang lip-sync, gunakan penyedia dengan [timestamp](https://broadrouter.com/id/glossary/timestamps-asr/) per kata atau minta penerjemah subtitle merapikan file-nya.

## Berapa biayanya, dan seberapa cepat?

Harga mengikuti panjang audio. Satu jam bahasa Arab di BroadNet Transcribe Arabic berbiaya $0.25, baik dikirim sebagai satu file maupun 720 file lima detik. Halaman harga BroadNet mencantumkan harga per menit audio tanpa minimum per file; cek halaman pemakaian setelah episode pertama untuk memastikan.

Kecepatan mengikuti jumlah permintaan. Kunci bayar sesuai pemakaian mengizinkan 30 permintaan per menit dan 4 permintaan bersamaan. Satu jam ucapan yang dipecah menjadi rentang 5 detik menghasilkan sekitar 720 permintaan, yang butuh minimal 720 ÷ 30 menit. Rentang lebih panjang berarti permintaan lebih sedikit. Jika kena 429, lakukan backoff seperti di [panduan error dan retry](https://broadrouter.com/id/guides/errors-and-retries/), dan jangan menyebar satu job ke beberapa kunci untuk mengakali limit yang dipublikasikan.

## Posisi BroadNet Inference

BroadNet Transcribe Arabic cocok untuk separuh pekerjaan subtitle yang berupa teks: ucapan bahasa Arab menjadi teks bahasa Arab seharga $0.0042 per menit, dengan audio dan transkrip tidak disimpan setelah permintaan. Kredit awal $5 mencakup transkripsi, jadi Anda bisa menguji pipeline pada episode nyata sebelum top up. BroadNet tidak mengembalikan timestamp, segmen, label pembicara, atau SRT. Jika subtitle Anda butuh timing per kata, gunakan penyedia yang mendokumentasikannya, atau selaraskan teks BroadNet dengan audio memakai tool forced alignment. Bentuk permintaan dan limit ada di [referensi API BroadNet](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-arabic-subtitles-srt-api&utm_content=body), dan setup-nya di [panduan speech-to-text bahasa Arab](https://broadrouter.com/id/guides/arabic-speech-to-text-api/).

Alat gratis untuk topik ini (bahasa Inggris)

-   [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.

[Alat gratis (bahasa Inggris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

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

SRT (SubRip) adalah format subtitle berbasis teks biasa. Setiap takarir terdiri dari nomor urut, waktu mulai dan selesai yang ditulis hh:mm:ss,mmm --> hh:mm:ss,mmm, satu atau lebih baris teks, dan satu baris kosong. WebVTT adalah format web serupa yang dipakai video HTML.

[Timestamp (speech-to-text)](https://broadrouter.com/id/glossary/timestamps-asr/)

Timestamp dalam speech-to-text adalah waktu mulai dan selesai, dalam detik, yang dilekatkan pada bagian-bagian transkrip. Timestamp segmen mencakup satu frasa atau kalimat; timestamp kata mencakup setiap kata. Timestamp dibutuhkan untuk subtitle, pencarian di dalam rekaman, dan menyelaraskan teks dengan pembicara.

[Speech-to-text (ucapan ke teks)](https://broadrouter.com/id/glossary/speech-to-text/)

Speech-to-text, juga disebut automatic speech recognition (ASR), adalah teknologi yang mengubah audio ucapan menjadi teks tertulis. API speech-to-text menerima file atau stream audio dan mengembalikan transkrip, biasanya dihargai per menit audio. Akurasinya diukur dengan word error rate dan bervariasi menurut aksen, dialek, dan kualitas rekaman.

[Bayar sesuai pemakaian (pay-as-you-go)](https://broadrouter.com/id/glossary/pay-as-you-go/)

Bayar sesuai pemakaian (pay-as-you-go) adalah model harga di mana Anda hanya membayar yang Anda pakai, dihitung per satuan seperti token, permintaan, atau menit audio, tanpa langganan atau komitmen minimum. Sebagian besar API LLM menagih dengan cara ini, dari saldo prabayar atau tagihan berkala.

[Konkurensi (concurrency)](https://broadrouter.com/id/glossary/concurrency/)

Konkurensi (concurrency) adalah jumlah permintaan yang sedang berjalan dari sebuah client pada saat yang sama. API LLM sering membatasinya per kunci atau per paket, terpisah dari batas permintaan per menit, karena setiap permintaan yang terbuka menahan kapasitas GPU sampai responsnya selesai.

[Rate limit (batas laju)](https://broadrouter.com/id/glossary/rate-limit/)

Rate limit adalah batas yang diterapkan API pada seberapa banyak client boleh memakainya dalam rentang waktu tertentu, misalnya permintaan per menit atau token per menit. Permintaan yang melebihi batas ditolak, biasanya dengan HTTP 429 Too Many Requests, sampai pemakaian kembali di bawah batas.

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

Word error rate (WER) adalah ukuran akurasi standar untuk pengenalan ucapan: jumlah substitusi, penghapusan, dan penyisipan kata yang dibutuhkan untuk mengubah transkrip menjadi referensi yang benar, dibagi jumlah kata dalam referensi. Makin rendah makin baik.

[Speaker diarization (diarisasi pembicara)](https://broadrouter.com/id/glossary/diarization/)

Speaker diarization adalah tugas membagi rekaman audio menjadi segmen per pembicara untuk menjawab "siapa berbicara kapan". Setiap potongan ucapan diberi label ID pembicara anonim seperti SPEAKER\_00, dan biasanya digabungkan dengan transkrip untuk menunjukkan siapa yang mengucapkan setiap baris.

## Pertanyaan umum

### Bisakah saya mendapat file SRT langsung dari API transkripsi BroadNet?

Tidak. Dokumentasi BroadNet menunjukkan respons JSON dengan satu field text, tanpa opsi SRT, VTT, atau timestamp. Metadata /v1/models-nya (dicek 2026-11-15) mencantumkan format respons json, text, dan verbose\_json, tetapi tidak ada sumber yang menyebut verbose\_json membawa timestamp. Susun timing sendiri dari offset potongan, seperti di tulisan ini, atau gunakan penyedia yang mendokumentasikan timestamp.

### API speech-to-text mana yang bisa mengekspor SRT untuk bahasa Arab?

Di antara yang kami cek pada 15 November 2026, AssemblyAI (endpoint subtitle, bahasa Arab di Universal-2) dan Speechmatics (format=srt, bahasa Arab dan paket Arab-Inggris) mendokumentasikan ekspor SRT. OpenAI mendokumentasikan SRT di whisper-1, yang sudah deprecated. Deepgram mendokumentasikan library caption yang dibangun di atas timestamp-nya.

### Berapa karakter per baris untuk subtitle bahasa Arab?

Arabic Timed Text Style Guide Netflix menetapkan 42 karakter per baris dan maksimal dua baris. Batas kecepatan bacanya untuk program dewasa maksimal 20 karakter per detik, dan 17 untuk program anak.

### Seberapa akurat subtitle yang timing-nya diambil dari potongan audio?

Awal dan akhir setiap potongan seakurat deteksi jedanya, jadi sesuaikan dengan audio Anda. Caption di dalam satu potongan mendapat waktu yang diperkirakan dari panjang teks, sehingga bisa bergeser satu detik atau lebih. Cocok untuk talk dan podcast, bukan drama yang lip-sync.

### Kenapa tanda baca di SRT bahasa Arab saya muncul di sisi yang salah?

SRT tidak punya markup arah, jadi player yang menentukan cara menata teks kanan-ke-kiri. Uji file di player yang dipakai audiens Anda. Jika tanda baca berpindah, coba format dengan styling yang lebih kaya atau setelan player untuk teks RTL.

### Apakah memecah audio menjadi potongan pendek lebih mahal?

BroadNet menetapkan harga transkripsi per menit audio, jadi total audionya sama. Tetapi jumlah permintaannya lebih banyak: potongan pendek lebih cepat mencapai limit bayar sesuai pemakaian 30 permintaan per menit. Cek halaman pemakaian setelah run pertama untuk memastikan penagihannya.

## Baca juga

-   [Transkripsi audio panjang di atas 25 MB: pecah, kirim, gabungkan](https://broadrouter.com/id/blog/transcribe-long-audio-files-api/)
-   [API speech-to-text bahasa Arab: cara memilihnya di 2026](https://broadrouter.com/id/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Alternatif API Whisper: kapan beralih dan cara mengujinya](https://broadrouter.com/id/blog/whisper-api-alternative/)
-   [Notulen rapat bahasa Arab dari rekaman: pipeline berbasis API](https://broadrouter.com/id/blog/arabic-meeting-minutes-from-recordings/)
-   [Perbandingan harga API speech-to-text: harga per menit di 2026](https://broadrouter.com/id/blog/speech-to-text-api-pricing-compared/)
-   [Menambahkan harakat ke teks Arab dengan LLM: prompt, cek, DER](https://broadrouter.com/id/blog/arabic-diacritization-llm/)
-   [Koreksi tata bahasa dan ejaan Arab dengan LLM: panduan praktis](https://broadrouter.com/id/blog/arabic-grammar-spelling-correction-llm/)
-   [Panduan: API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/id/guides/arabic-speech-to-text-api/)
-   [Panduan: Kode error BroadNet Inference dan kapan harus mencoba ulang](https://broadrouter.com/id/guides/errors-and-retries/)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

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

**Sumber**

-   [Referensi API BroadNet Inference: permintaan transkripsi dan respons {"text": ...}, limit bayar sesuai pemakaian (dicek 2026-11-15) (bahasa Inggris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-arabic-subtitles-srt-api&utm_content=sources)
-   [Library of Congress, Sustainability of Digital Formats: deskripsi format SubRip (SRT) fdd000569 (dicek 2026-11-15)](https://www.loc.gov/preservation/digital/formats/fdd/fdd000569.shtml)
-   [Netflix Partner Help Center, Arabic Timed Text Style Guide: 42 karakter per baris, batas kecepatan baca (dicek 2026-11-15)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215517947)
-   [Netflix Partner Help Center, Timed Text Style Guide: General Requirements, durasi minimum dan maksimum (dicek 2026-11-15)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements)
-   [Referensi API OpenAI, create transcription: response\_format dan timestamp\_granularities per model (dicek 2026-11-15)](https://developers.openai.com/api/reference/resources/audio/subresources/transcriptions/methods/create)
-   [Panduan speech-to-text OpenAI: timestamp\_granularities hanya di whisper-1, tanggal deprecation (dicek 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Deprecation OpenAI: whisper-1 dan model gpt-4o transcribe dimatikan 26 Februari 2027; pengganti gpt-transcribe atau gpt-live-transcribe (dicek 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Referensi API AssemblyAI, Get subtitles: endpoint subtitle transkrip, format SRT atau VTT (dicek 2026-11-15)](https://www.assemblyai.com/docs/api-reference/transcripts/get-subtitles)
-   [AssemblyAI, bahasa yang didukung untuk audio rekaman (dicek 2026-11-15)](https://www.assemblyai.com/docs/pre-recorded-audio/supported-languages)
-   [Dokumentasi Speechmatics, format output batch: format=srt dan srt\_overrides (dicek 2026-11-15)](https://docs.speechmatics.com/speech-to-text/batch/output)
-   [Dokumentasi Speechmatics, bahasa yang didukung: bahasa Arab dan paket dwibahasa ar\_en (dicek 2026-11-15)](https://docs.speechmatics.com/speech-to-text/languages)
-   [Dokumentasi Deepgram, membuat caption WebVTT dan SRT secara otomatis (dicek 2026-11-15)](https://developers.deepgram.com/docs/automatically-generating-webvtt-and-srt-captions)
-   [Dokumentasi Deepgram, ikhtisar model dan bahasa: bahasa Arab di Nova-3 (dicek 2026-11-15)](https://developers.deepgram.com/docs/models-languages-overview)
-   [Referensi API ElevenLabs, speech to text: timestamps\_granularity dan start/end per kata (dicek 2026-11-15)](https://elevenlabs.io/docs/api-reference/speech-to-text/convert)
-   [Dokumentasi filter FFmpeg: filter silencedetect dan whisper (dicek 2026-11-15)](https://ffmpeg.org/ffmpeg-filters.html)
