File subtitle adalah transkrip yang ditempeli jam. Mendapatkan teksnya adalah separuh yang mudah; waktunya adalah separuh yang sulit.
Cara kerjanya
File SRT adalah teks biasa. Setiap blok takarir punya empat bagian:
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
Deskripsi format dari Library of Congress menyebut format waktunya jam:menit:detik,milidetik, dengan “two hyphens (—) and a right-pointing angle bracket (>)” (terjemahan: dua tanda hubung (—) dan kurung sudut yang menghadap ke kanan (>)) di antara waktu mulai dan selesai, serta satu baris kosong setelah setiap blok. Library of Congress menyebut SRT “a very simple text format, but not well standardized” (terjemahan: format teks yang sangat sederhana, tetapi kurang terstandardisasi), tanpa standar encoding karakter. Ekstensinya .srt.
WebVTT, format W3C untuk text track video HTML, terlihat hampir sama. Spesifikasinya mewajibkan baris pertama WEBVTT, titik sebelum milidetik (00:00:10.700), encoding UTF-8, dan media type text/vtt. Per 15 November 2026, statusnya adalah W3C Candidate Recommendation Draft.
Mengapa penting
- Timing datang dari API, atau dari Anda. Sebagian API speech-to-text mengembalikan timestamp per kata atau per segmen, atau file yang sudah jadi. Referensi transkripsi OpenAI mencantumkan
srtdanvttdi antara nilairesponse_format, tetapi menyatakan formatnya bergantung pada model dan bahwagpt-4o-transcribesertagpt-4o-mini-transcribehanya mengembalikanjson. - Tata letak bahasa Arab. SRT tidak punya markup arah, jadi pemutar yang menentukan cara menampilkan teks kanan-ke-kiri dan tanda bacanya. Lihat teks right-to-left.
- Aturan keterbacaan. Panjang baris, jumlah baris per takarir, dan kecepatan baca diatur oleh panduan gaya, bukan oleh formatnya.
Di BroadNet Inference
Endpoint transkripsi BroadNet mengembalikan teks tanpa timestamp, jadi tidak bisa langsung menghasilkan SRT. Pendekatan yang bisa dipakai, dan sudah diuji di subtitle Arab (SRT) dari API speech-to-text:
- Temukan jeda dengan filter
silencedetectFFmpeg (atau VAD). - Potong setiap rentang ucapan, maksimal sekitar 12 detik, menjadi WAV 16 kHz mono.
- Transkripsikan setiap rentang dengan
language=ardi BroadNet Transcribe Arabic. - Pakai waktu mulai dan selesai setiap rentang sebagai waktu takarir, dibagi ke beberapa baris sebanding dengan panjang teksnya.
- Tulis blok SRT bernomor.
Batas rentang hanya seakurat deteksi jeda Anda; waktu di dalam satu rentang adalah perkiraan. Ini cocok untuk talk dan podcast, bukan untuk drama dengan lip-sync. Untuk timing akurat per frame, gunakan penyedia yang mendokumentasikan timestamp per kata. Rentang yang pendek juga berarti lebih banyak permintaan, jadi perhatikan batas bayar sesuai pemakaian sebesar 30 permintaan per menit. Tool pemotong audio menuliskan perintah FFmpeg-nya untuk Anda.
Kesalahan umum
- Titik alih-alih koma di waktu SRT, atau sebaliknya di WebVTT. Banyak pemutar menolak format yang salah.
- Baris kosong yang hilang di antara blok, sehingga takarir tergabung.