---
title: "音声認識 API でアラビア語の SRT 字幕を作る方法 | BroadRouter"
description: "SRT ファイルに必要なもの、アラビア語でタイムスタンプや SRT を返す音声認識 API、テキストのみの API から字幕を作る検証済みのパイプラインを解説します。"
url: https://broadrouter.com/ja/blog/arabic-subtitles-srt-api/
lang: ja
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/blog/arabic-subtitles-srt-api/)（2026-11-16 更新）。

# 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 2026-11-15 · 更新日 2026-11-16

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。

## 要点

-   SRT は番号付きの字幕のリストで、各字幕に hh:mm:ss,mmm --> hh:mm:ss,mmm の行があります。米国議会図書館は、正式な仕様も文字コードの標準もないと指摘しています。
-   BroadNet がドキュメント化している文字起こしのレスポンスは {"text": ...} だけです。タイムスタンプも、セグメントも、SRT 出力もありません。
-   OpenAI が SRT と単語タイムスタンプをドキュメント化しているのは whisper-1 だけで、2027 年 2 月 26 日に提供終了予定です。AssemblyAI と Speechmatics は SRT の出力を、Deepgram と ElevenLabs は単語タイムスタンプをドキュメント化しています。
-   Netflix のアラビア語ガイドは、大人向け番組で 1 行 42 文字、2 行まで、毎秒 20 文字までとしています。一般ガイドは 1 字幕を最長 7 秒としています。
-   チャンク単位のタイミングの精度は、無音検出の精度で決まります。チャンク内の字幕の時刻は、テキストの長さから推定されます。

**このページの内容**

1.  SRT ファイルには何が必要か？
2.  アラビア語字幕の 1 行の長さは？
3.  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？
4.  テキストのみの API から字幕を作るには？
5.  Python でのパイプライン
6.  チャンク単位のタイミングはどのくらい正確か？
7.  費用と速度は？
8.  BroadNet Inference の位置づけ

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。

```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
```

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](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)と[音声認識の料金比較](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)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](https://broadrouter.com/ja/blog/transcribe-long-audio-files-api/)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](https://broadrouter.com/tools/audio-splitter-ffmpeg/)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。

```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")
```

`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](https://broadrouter.com/ja/blog/arabic-asr-wer-explained/) 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](https://broadrouter.com/ja/glossary/diarization/)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](https://broadrouter.com/ja/glossary/timestamps-asr/)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](https://broadrouter.com/ja/guides/errors-and-retries/)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](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-subtitles-srt-api&utm_content=body)に、設定は[アラビア語音声認識ガイド](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)にあります。

関連する無料ツール（英語）

-   [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.

[無料ツール（英語）](https://broadrouter.com/tools/)

## この記事の用語

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

SRT（SubRip）とは、プレーンテキストの字幕形式です。各字幕は連番、hh:mm:ss,mmm --> hh:mm:ss,mmm と書く開始・終了時刻、1 行以上のテキスト、空行で構成されます。WebVTT は HTML の動画で使われる、よく似た Web 向けの形式です。

[話者ダイアライゼーション（speaker diarization）](https://broadrouter.com/ja/glossary/diarization/)

話者ダイアライゼーションとは、録音を話者ごとの区間に分け、「誰がいつ話したか」に答えるタスクです。各発話区間に SPEAKER\_00 のような匿名の話者 ID を付け、たいていは文字起こしと組み合わせて、各行を誰が話したかを示します。

[従量課金（pay-as-you-go）](https://broadrouter.com/ja/glossary/pay-as-you-go/)

従量課金とは、使った分だけを支払う料金体系です。トークン、リクエスト、音声の分数などの単位で計測され、サブスクリプションや最低利用額はありません。多くの LLM API はこの方式で、前払いの残高か定期的な請求書から支払います。

[単語誤り率（WER、word error rate）](https://broadrouter.com/ja/glossary/word-error-rate/)

単語誤り率（WER）とは、音声認識の標準的な精度指標です。書き起こしを正しい参照テキストに直すのに必要な単語の置換・削除・挿入の数を、参照テキストの単語数で割って求めます。値が低いほど良好です。

[タイムスタンプ（音声認識、timestamps）](https://broadrouter.com/ja/glossary/timestamps-asr/)

音声認識のタイムスタンプとは、文字起こしの各部分に付く開始・終了時刻（秒）です。セグメント単位は句や文を、単語単位は各単語を対象にします。字幕、録音内の検索、テキストと話者の対応付けに必要です。

[レート制限（rate limit）](https://broadrouter.com/ja/glossary/rate-limit/)

レート制限とは、1 分あたりのリクエスト数やトークン数など、一定時間内にクライアントが API を使える量に API 側が設ける上限です。上限を超えたリクエストは、使用量が下回るまで通常 HTTP 429 Too Many Requests で拒否されます。

[音声区間検出（VAD）](https://broadrouter.com/ja/glossary/vad/)

音声区間検出（VAD）とは、音声を短いフレームに分け、各フレームが発話か非発話かを判定する信号処理のステップです。音声システムは無音のスキップ、長い録音の間での分割、話し終わりの検出、背景雑音の文字起こし防止に使います。

[現代標準アラビア語（MSA）](https://broadrouter.com/ja/glossary/msa/)

現代標準アラビア語（MSA）とは、アラブ世界全体で書き言葉、ニュース、教育、公式のスピーチに使われる標準化されたアラビア語です。誰の日常の母語でもなく、人々はエジプト方言や湾岸方言などの地域方言を話し、改まった場面で MSA に切り替えます。

## 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。

## 続けて読む

-   [25 MB を超える長い音声の文字起こし：分割・送信・結合](https://broadrouter.com/ja/blog/transcribe-long-audio-files-api/)
-   [アラビア語の音声認識 API：2026 年の選び方](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Whisper API の代替：乗り換えるべきタイミングとテスト方法](https://broadrouter.com/ja/blog/whisper-api-alternative/)
-   [アラビア語の会議録音から議事録を作る：API パイプライン](https://broadrouter.com/ja/blog/arabic-meeting-minutes-from-recordings/)
-   [音声認識 API の料金比較：2026 年の 1 分あたりの価格](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)
-   [LLM でアラビア語に母音記号を付ける：プロンプト、検証、DER](https://broadrouter.com/ja/blog/arabic-diacritization-llm/)
-   [LLM でアラビア語の文法・スペルを校正する方法](https://broadrouter.com/ja/blog/arabic-grammar-spelling-correction-llm/)
-   [ガイド：アラビア語の音声認識 API を使う手順](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)
-   [ガイド：BroadNet Inference のエラーコードとリトライすべき場合](https://broadrouter.com/ja/guides/errors-and-retries/)

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

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

**出典**

-   [BroadNet Inference API リファレンス：文字起こしのリクエストと {"text": ...} のレスポンス、従量課金の制限（2026-11-15 確認）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-subtitles-srt-api&utm_content=sources)
-   [米国議会図書館 Sustainability of Digital Formats：SubRip（SRT）フォーマット記述 fdd000569（2026-11-15 確認）](https://www.loc.gov/preservation/digital/formats/fdd/fdd000569.shtml)
-   [Netflix パートナーヘルプセンター、アラビア語 Timed Text スタイルガイド：1 行 42 文字、読み取り速度の上限（2026-11-15 確認）](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215517947)
-   [Netflix パートナーヘルプセンター、Timed Text スタイルガイド一般要件：最短・最長の表示時間（2026-11-15 確認）](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements)
-   [OpenAI API リファレンス、文字起こしの作成：モデル別の response\_format と timestamp\_granularities（2026-11-15 確認）](https://developers.openai.com/api/reference/resources/audio/subresources/transcriptions/methods/create)
-   [OpenAI 音声認識ガイド：timestamp\_granularities は whisper-1 のみ、非推奨化の日付（2026-11-15 確認）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI 非推奨情報：whisper-1 と gpt-4o 文字起こしモデルは 2027 年 2 月 26 日に提供終了、後継は gpt-transcribe または gpt-live-transcribe（2026-11-15 確認）](https://developers.openai.com/api/docs/deprecations)
-   [AssemblyAI API リファレンス、Get subtitles：文字起こしの字幕エンドポイント、SRT または VTT 形式（2026-11-15 確認）](https://www.assemblyai.com/docs/api-reference/transcripts/get-subtitles)
-   [AssemblyAI：録音済み音声の対応言語（2026-11-15 確認）](https://www.assemblyai.com/docs/pre-recorded-audio/supported-languages)
-   [Speechmatics ドキュメント、バッチの出力形式：format=srt と srt\_overrides（2026-11-15 確認）](https://docs.speechmatics.com/speech-to-text/batch/output)
-   [Speechmatics ドキュメント、対応言語：アラビア語と ar\_en バイリンガルパック（2026-11-15 確認）](https://docs.speechmatics.com/speech-to-text/languages)
-   [Deepgram ドキュメント：WebVTT と SRT 字幕の自動生成（2026-11-15 確認）](https://developers.deepgram.com/docs/automatically-generating-webvtt-and-srt-captions)
-   [Deepgram ドキュメント、モデルと言語の概要：Nova-3 のアラビア語（2026-11-15 確認）](https://developers.deepgram.com/docs/models-languages-overview)
-   [ElevenLabs API リファレンス、音声認識：timestamps\_granularity と単語の start/end（2026-11-15 確認）](https://elevenlabs.io/docs/api-reference/speech-to-text/convert)
-   [FFmpeg フィルターのドキュメント：silencedetect と whisper フィルター（2026-11-15 確認）](https://ffmpeg.org/ffmpeg-filters.html)
