BroadRouter

音声認識 API でアラビア語の SRT 字幕を作るには

BroadNet Inference チーム · 約 7 分で読めます · 公開日 · 更新日

SRT には、各字幕のテキストと開始・終了時刻が必要です。単語やセグメントのタイムスタンプ、または SRT 出力がある API がもっとも正確です。BroadNet Transcribe Arabic はテキストのみなので、無音で音声を分割してチャンクごとに文字起こしし、オフセットで時刻を付けます。講演やポッドキャスト向きで、フレーム精度の映画字幕には不向きです。

字幕とは、時刻の付いたテキストです。アラビア語字幕のパイプラインで手間がかかるのは、ほとんどがその時刻の取得です。単語タイムスタンプや完成した SRT ファイルとして渡してくれる音声認識 API もあれば、BroadNet Inference のように文字起こしのテキストしか返さないものもあります。この記事では、SRT ファイルに必要なもの、タイムスタンプをドキュメント化しているプロバイダー、そしてテキストのみの API から実用的なアラビア語字幕を作る方法を、その限界とあわせて率直に説明します。

BroadRouter は BroadNet 自身のサイトです。フレーム単位で正確なタイミングが必要なら、以下の正直な答えは、BroadNet ではなく単語タイムスタンプのあるプロバイダーです。

SRT ファイルには何が必要か?

SRT(SubRip)ファイルはプレーンテキストです。各字幕は 4 つの部分からなります。番号、時刻の行、1〜2 行のテキスト、空行です。

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

米国議会図書館のフォーマット記述によると、時刻の形式は「時:分:秒,ミリ秒」で、矢印はハイフン 2 つと右山括弧です。また、SRT は “not well standardized”(訳:十分に標準化されていない)とされ、SRT ファイルは “do not have a character encoding standard”(訳:文字コードの標準がない)とあります。アラビア語の場合は UTF-8 で書き、対象のプレーヤーで試してください。Web 向けの後継形式 WebVTT は、ミリ秒の前にカンマではなくピリオドを使います。

つまり絶対に必要なのは、すべての字幕の開始時刻と終了時刻です。テキストだけでは足りません。

アラビア語字幕の 1 行の長さは?

推測ではなく、公開されているスタイルガイドに従います。Netflix のアラビア語 Timed Text スタイルガイド(変更履歴の日付は 2025-12-19)は次のように定めています。

ルール Netflix の値
1 行の文字数 42
1 字幕の行数 最大 2 行
読み取り速度、大人向け番組 毎秒 20 文字まで
読み取り速度、子ども向け番組 毎秒 17 文字まで
改行 動詞と主語、前置詞と名詞、数字とそれが数えるものを分けない

Netflix の一般要件では、1 字幕の表示時間は最短 6 分の 5 秒、最長 7 秒です。アラビア語ガイドは、翻訳字幕では現代標準アラビア語を使うよう求めています。これは翻訳のルールで、方言の発言の文字起こしは方言のままです。

これらの数値はそのままコードにできます。42 文字で折り返し、1 字幕 2 行、毎秒 20 文字を超えたら警告し、どの字幕も 7 秒を超えて表示しないようにします。

タイムスタンプや SRT をドキュメント化している音声認識 API は?

2026 年 11 月 15 日に各プロバイダーの最新ドキュメントを確認しました。以下はドキュメントに書かれている内容で、タイミングの精度ではありません。

プロバイダー ドキュメントにある機能 アラビア語
OpenAI response_format の srt、vtt、verbose_json と、単語またはセグメント単位の timestamp_granularities[]。whisper-1 のみ。gpt-4o-transcribe と gpt-4o-mini-transcribe は json のみ 未確認。OpenAI の非推奨情報ページは whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize を非推奨とし、いずれも 2027 年 2 月 26 日に提供終了、代わりに gpt-transcribe か gpt-live-transcribe を推奨
AssemblyAI GET /v2/transcript/{transcript_id}/srt または /vtt、chars_per_caption 付き Universal-2 にアラビア語があり、WER 10〜25% の区分
Speechmatics 文字起こしエンドポイントの format=srt。max_line_length と max_lines を持つ srt_overrides。単語ごとに start_time と end_time アラビア語と、アラビア語・英語の ar_en パック
Deepgram 単語と発話のタイムスタンプ。SRT と WebVTT を書き出す公式の Python・JavaScript 字幕ライブラリ Nova-3 でアラビア語と地域コード
ElevenLabs 単語または文字単位の timestamps_granularity。各単語に秒単位の start と end アラビア語あり、WER 10〜20% の区分
BroadNet Inference {"text": ...} のみ アラビア語専用モデルと 14 言語モデル

モデルを自分で動かせるなら、whisper.cpp を組み込んだ FFmpeg の whisper フィルターで srt を直接書き出せ、行を短くする max_len オプションもあります。

アラビア語の精度と価格を最初に比較するなら、アラビア語音声認識 API の選び方と音声認識の料金比較をご覧ください。タイムスタンプはその判断の 1 項目にすぎません。

テキストのみの API から字幕を作るには?

音声を切った位置から、自分でタイムスタンプを作ります。手順は次のとおりです。

  1. 無音を見つける。 FFmpeg の silencedetect は、音量がしきい値を一定時間下回った箇所で、silence_start と silence_end を秒単位で記録します。
  2. 無音を発話区間に変える。 2 つの無音の間がすべて 1 つの区間です。区間の上限を約 12 秒にすれば、まったく間を置かない話者でも短い字幕ができます。
  3. 区間ごとに文字起こしする。 16 kHz モノラルの WAV に切り出し、language=ar を付けて送ります。
  4. 字幕に時刻を付ける。 区間の開始と終了が基準の時刻です。テキストが複数行になるなら、区間の時間を各行の長さに比例して割り振ります。
  5. SRT を書き出し、行の長さ、読み取り速度、表示時間をスタイルのルールに照らして確認します。

これは長い音声ファイルの文字起こしと同じ分割ですが、目的が違います。あちらはチャンクが約 10 分で、つなげたテキストだけが問題でした。こちらはチャンクが数秒で、それぞれが字幕の時刻になります。手作業で分割したいなら、音声分割ツールが FFmpeg のコマンドを作ります。

Python でのパイプライン

このスクリプトは OpenAI Python SDK と FFmpeg を使います。2026 年 11 月 15 日、BroadNet のドキュメントにあるエンドポイントと同じように応答する({"text": ...})ローカルのモックサーバーに対し、トーンと無音で生成したテストファイルで実行しました。上の SRT はその出力です。BroadNet のキーは使っていないので、アラビア語のテキストはモデルではなくモックからのものです。

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")

BROADNET_API_KEY を設定して実行します:python make_srt.py episode.wav episode.srt。テストファイルでは、無音検出が 0〜2.8 秒、3.6〜7.6 秒、8.8〜28.8 秒(無音がないため 12 秒で分割)、29.4〜30.9 秒の区間を見つけ、ファイルの作り方と一致しました。出力は Python の srt パッケージで問題なく解析でき、FFmpeg で WebVTT にも変換できました。

自分の音声に合わせて調整する値が 2 つあります。noise は無音とみなす音量で、きれいな音声なら -30〜-40 dB、騒がしい部屋ならもっと高く設定します。min_silence は間が続くべき長さで、0.3〜0.5 秒なら、息継ぎのたびに分割せずに文と文の間をとらえられます。

チャンク単位のタイミングはどのくらい正確か?

この方法でできることとできないことを、はっきりさせておきます。

  • 区間の端がもっとも正確。 実際の無音に当たる字幕の開始と終了は、無音検出と同じ精度です。合成したテストファイルでは完全に一致しましたが、息遣いや部屋の雑音がある実際の録音はもっと複雑です。
  • 区間内の時刻は推定。 1 つの区間に字幕が 2〜3 個あると、スクリプトは文字数で時間を割り振ります。話者の速さは一定ではないので、その内側の境界は 1 秒以上ずれることがあります。
  • 固定の分割で単語が切れることがある。 無音のないまま 12 秒の上限を超えた区間は、どこであれその位置で切られます。切れ目の単語は失われたり崩れたりします。固定分割が必要な区間を減らすため、まず noise を上げるか min_silence を下げてください。
  • 短いチャンクではモデルが使える文脈が少ない。 3 秒のクリップは、10 分のファイルに比べて各単語の前後にある単語が少なくなります。これがアラビア語の精度をどれだけ変えるかは測定していません。自分の音声で WER を使って試してください。
  • 話者ラベルがない。 BroadNet は話者分離の結果を返さないので、字幕には誰が話しているかが入りません。
  • 音楽と雑音。 BGM で無音が完全に隠れることがあります。そうなると区間の大半が固定分割になり、タイミングが悪化します。

講義、ポッドキャスト、ウェビナー、研修動画なら、発話から 1 秒以内の字幕はたいてい読みやすいものです。ドラマ、ミュージックビデオ、口の動きに合わせる必要があるものには、単語タイムスタンプのあるプロバイダーを使うか、字幕制作者にファイルを調整してもらってください。

費用と速度は?

価格は音声の長さで決まります。BroadNet Transcribe Arabic でアラビア語 1 時間は $0.25 で、1 つのファイルで送っても 5 秒のファイル 720 個で送っても同じです。BroadNet の料金ページには音声 1 分あたりの価格があり、ファイルごとの最低料金はありません。最初のエピソードの後に使用量ページで確認してください。

速度はリクエスト数で決まります。従量課金のキーは毎分 30 リクエスト、同時 4 件までです。1 時間の音声を 5 秒の区間に分けると約 720 リクエストで、少なくとも 720 ÷ 30 分かかります。区間が長いほどリクエストは減ります。429 が返ったらエラーとリトライのガイドのとおりバックオフし、公表されている制限を回避するために 1 つのジョブを複数のキーに分散させないでください。

BroadNet Inference の位置づけ

BroadNet Transcribe Arabic は、字幕作業のうちテキストの部分に向いています。アラビア語の音声をアラビア語のテキストにし、料金は 1 分 $0.0042、音声と文字起こしはリクエスト後に保持されません。$5 の初回クレジットで文字起こしができるので、チャージ前に実際のエピソードでパイプラインを試せます。タイムスタンプ、セグメント、話者ラベル、SRT は返しません。単語単位のタイミングが必要なら、それをドキュメント化しているプロバイダーを使うか、強制アラインメントツールで BroadNet のテキストを音声に合わせてください。リクエストの形式と制限は BroadNet API リファレンスに、設定はアラビア語音声認識ガイドにあります。

よくある質問

BroadNet の文字起こし API から SRT ファイルを直接取得できますか?

できません。BroadNet のドキュメントでは、レスポンスは text 項目が 1 つの JSON で、SRT、VTT、タイムスタンプのオプションはありません。/v1/models のメタデータ(2026-11-15 確認)には json、text、verbose_json の形式がありますが、verbose_json にタイムスタンプが含まれるとする情報源はありません。この記事のようにチャンクのオフセットから自分でタイミングを作るか、タイムスタンプをドキュメント化しているプロバイダーを使ってください。

アラビア語の SRT を出力できる音声認識 API はどれですか?

2026 年 11 月 15 日に確認した中では、AssemblyAI(字幕エンドポイント、Universal-2 でアラビア語)と Speechmatics(format=srt、アラビア語とアラビア語・英語パック)が SRT の出力をドキュメント化しています。OpenAI は whisper-1 で SRT をドキュメント化していますが、非推奨です。Deepgram は自社のタイムスタンプを使う字幕ライブラリを用意しています。

アラビア語字幕は 1 行何文字にすべきですか?

Netflix のアラビア語 Timed Text スタイルガイドは、1 行 42 文字、最大 2 行としています。読み取り速度の上限は、大人向け番組で毎秒 20 文字まで、子ども向け番組で 17 文字です。

音声チャンクからタイミングを付けた字幕はどのくらい正確ですか?

各チャンクの開始と終了は無音検出と同じ精度なので、自分の音声で調整してください。チャンク内の字幕はテキストの長さから時刻を推定するので、1 秒以上ずれることがあります。講演やポッドキャストには十分ですが、口の動きに合わせるドラマには向きません。

アラビア語の SRT で句読点が逆側に表示されるのはなぜですか?

SRT には書字方向の指定がないので、右から左のテキストのレイアウトはプレーヤー次第です。視聴者が使うプレーヤーでファイルを試してください。句読点がずれる場合は、より豊かなスタイル指定ができる形式や、プレーヤーの RTL テキスト設定を試してください。

音声を短いチャンクに分けると費用は増えますか?

BroadNet は文字起こしを音声の分数で課金するので、音声の総量は同じです。ただしリクエスト数は増え、短いチャンクだと従量課金の毎分 30 リクエストの上限に早く達します。最初の実行後に使用量ページで課金を確認してください。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く

出典