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。
- 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。 - 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。
- 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。 - 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。
- 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。
