자막은 시간이 붙은 텍스트입니다. 아랍어 자막 파이프라인에서 대부분의 작업은 그 시간을 얻는 일입니다. 어떤 음성 인식 API는 단어 타임스탬프나 완성된 SRT 파일로 시간을 넘겨줍니다. BroadNet Inference를 포함한 다른 API는 녹취록 텍스트만 반환합니다. 이 글은 SRT 파일에 무엇이 필요한지, 어떤 제공업체가 타임스탬프를 문서화하는지, 그리고 텍스트 전용 API로 쓸 만한 아랍어 자막을 만드는 방법을 한계와 함께 솔직하게 설명합니다.
BroadRouter는 BroadNet의 자체 사이트입니다. 프레임 단위로 정확한 타이밍이 필요하다면, 아래의 솔직한 답은 BroadNet이 아니라 단어 타임스탬프를 제공하는 제공업체입니다.
SRT 파일에는 무엇이 필요한가요?
SRT(SubRip) 파일은 일반 텍스트입니다. 각 자막은 네 부분으로 되어 있습니다. 번호, 시간 줄, 한두 줄의 텍스트, 빈 줄입니다.
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
미국 의회도서관의 형식 설명에 따르면 시간 형식은 시:분:초,밀리초이고, 화살표는 하이픈 두 개와 오른쪽 꺾쇠괄호입니다. 또한 SRT는 “not well standardized”(번역: 표준화가 잘되어 있지 않음)이며 SRT 파일은 “do not have a character encoding standard”(번역: 문자 인코딩 표준이 없음)라고 설명합니다. 아랍어라면 UTF-8로 쓰고 대상 플레이어에서 테스트하세요. 웹용 후속 형식인 WebVTT는 밀리초 앞에 쉼표 대신 마침표를 씁니다.
따라서 꼭 필요한 것은 자막마다의 시작 시간과 종료 시간입니다. 텍스트만으로는 부족합니다.
아랍어 자막 한 줄은 얼마나 길어야 하나요?
추측하지 말고 공개된 스타일 가이드를 쓰세요. Netflix의 Arabic Timed Text Style Guide(변경 이력 날짜 2025-12-19)는 다음을 정하고 있습니다.
| 규칙 | Netflix 기준 |
|---|---|
| 줄당 글자 수 | 42 |
| 자막당 줄 수 | 최대 두 줄 |
| 읽기 속도, 성인 프로그램 | 초당 최대 20자 |
| 읽기 속도, 어린이 프로그램 | 초당 최대 17자 |
| 줄 바꿈 | 동사와 주어, 전치사와 명사, 숫자와 그 숫자가 세는 대상을 나누지 않음 |
Netflix의 일반 요구 사항은 여기에 자막당 최소 6분의 5초, 최대 7초를 더합니다. 아랍어 가이드는 번역 자막에 현대 표준 아랍어를 쓰라고도 요구합니다. 이는 번역에 관한 규칙이며, 방언으로 말한 내용의 녹취록은 방언 그대로 둡니다.
이 수치는 그대로 코드가 됩니다. 42자에서 줄을 바꾸고, 자막당 두 줄, 초당 20자를 넘으면 경고하고, 자막을 7초보다 오래 띄우지 않습니다.
타임스탬프나 SRT를 문서화한 음성 인식 API는 어디인가요?
2026년 11월 15일에 각 제공업체의 현재 문서를 읽었습니다. 아래는 문서에 나온 내용이지, 타이밍이 얼마나 정확한지가 아닙니다.
| 제공업체 | 문서에 나온 기능 | 아랍어 |
|---|---|---|
| OpenAI | response_format srt, vtt 또는 verbose_json, 그리고 단어나 구간 단위의 timestamp_granularities[]. whisper-1에서만 지원. gpt-4o-transcribe와 gpt-4o-mini-transcribe는 json만 반환 |
확인하지 않음. OpenAI의 지원 중단 페이지는 whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe, gpt-4o-transcribe-diarize를 지원 중단으로 표시하며, 모두 2027년 2월 26일에 종료되고, 대신 gpt-transcribe나 gpt-live-transcribe를 권장함 |
| AssemblyAI | chars_per_caption과 함께 GET /v2/transcript/{transcript_id}/srt 또는 /vtt |
Universal-2에서 아랍어 지원, WER 10~25% 구간 |
| Speechmatics | 녹취록 엔드포인트의 format=srt. max_line_length와 max_lines가 있는 srt_overrides. 단어 항목에 start_time과 end_time 포함 |
아랍어, 그리고 ar_en 아랍어-영어 팩 |
| Deepgram | 단어 및 발화 타임스탬프. SRT와 WebVTT를 쓰는 공식 Python 및 JavaScript 자막 라이브러리 | Nova-3에서 아랍어와 지역 코드 지원 |
| ElevenLabs | 단어 또는 문자 단위의 timestamps_granularity. 단어마다 초 단위 start와 end |
아랍어 지원, WER 10~20% 구간 |
| BroadNet Inference | {"text": ...}만 |
아랍어 전용 모델과 14개 언어 모델 |
모델을 직접 돌릴 수 있다면, whisper.cpp 기반으로 빌드된 FFmpeg의 whisper 필터가 srt를 바로 쓸 수 있고, 줄을 짧게 하는 max_len 옵션도 있습니다.
아랍어 정확도와 가격을 처음 비교한다면 아랍어 음성 인식 API 구매 가이드와 음성 인식 API 가격 비교를 참고하세요. 타임스탬프는 그 결정에서 한 줄일 뿐, 전부가 아닙니다.
텍스트 전용 API로 자막을 만들려면?
오디오를 자른 위치로 타임스탬프를 직접 만듭니다. 단계는 다음과 같습니다.
- 쉼을 찾습니다. FFmpeg의
silencedetect는 음량이 일정 시간 이상 임계값 아래에 머무는 곳마다silence_start와silence_end를 초 단위로 기록합니다. - 쉼을 발화 구간으로 바꿉니다. 두 무음 사이의 모든 것이 하나의 구간입니다. 구간은 약 12초로 제한해, 쉬지 않고 말하는 사람도 짧은 자막이 나오게 합니다.
- 구간마다 전사합니다. 16 kHz 모노 WAV로 잘라
language=ar과 함께 보냅니다. - 자막 시간을 정합니다. 구간의 시작과 끝이 기준 시간입니다. 텍스트가 여러 줄이 필요하면, 구간의 시간을 길이에 비례해 줄마다 나눕니다.
- SRT를 씁니다. 줄 길이, 읽기 속도, 표시 시간을 스타일 규칙과 비교해 확인합니다.
긴 오디오 파일 전사하기와 같은 분할이지만 목적이 다릅니다. 거기서는 조각이 약 10분이고 합친 텍스트만 신경 씁니다. 여기서는 각 조각이 자막 시간이 되므로 조각이 몇 초 길이입니다. 직접 나누고 싶다면 오디오 분할 도구가 FFmpeg 명령을 만들어 줍니다.
Python 파이프라인
이 스크립트는 OpenAI Python SDK와 FFmpeg를 씁니다. 2026년 11월 15일에, BroadNet이 문서화한 엔드포인트처럼({"text": ...}) 응답하는 로컬 모의 서버를 대상으로, 톤과 공백으로 생성한 테스트 파일에서 실행했습니다. 위의 SRT가 그 출력입니다. BroadNet 키는 쓰지 않았으므로, 아랍어 텍스트는 모델이 아니라 모의 서버에서 나온 것입니다.
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_KEY를 설정하고 python make_srt.py episode.wav episode.srt로 실행하세요. 테스트 파일에서 쉼 감지는 02.8초, 3.67.6초, 8.828.8초(쉼이 없어서 12초에서 잘림), 29.430.9초 구간을 찾았고, 이는 파일을 만든 방식과 일치했습니다. 출력은 Python srt 패키지로 깔끔하게 파싱되었고, FFmpeg로 WebVTT로 변환되었습니다.
두 값을 자신의 오디오에 맞게 조정하세요. noise는 무음으로 볼 음량입니다. 깨끗한 음성에는 -30~-40 dB를, 시끄러운 공간에는 더 높은 값을 써 보세요. min_silence는 공백이 얼마나 지속되어야 하는지입니다. 0.3~0.5초면 숨 쉴 때마다 나누지 않으면서 문장 사이의 쉼을 잡아냅니다.
조각 단위 타이밍은 얼마나 정확한가요?
이 방법이 할 수 있는 것과 없는 것을 분명히 해 두세요.
- 구간 경계가 가장 정확한 부분입니다. 실제 쉼에 걸리는 자막의 시작과 끝은 무음 감지만큼 정확합니다. 합성 테스트 파일에서는 정확히 일치했지만, 숨소리와 실내 소음이 있는 실제 녹음은 더 지저분합니다.
- 구간 안의 시간은 추정치입니다. 한 구간에 자막이 두세 개 있으면 스크립트는 글자 수로 시간을 나눕니다. 사람은 일정한 속도로 말하지 않으므로, 안쪽 경계는 1초 이상 어긋날 수 있습니다.
- 고정 길이로 자르면 단어가 잘릴 수 있습니다. 쉼 없이 12초 상한을 넘으면 어디든 그 지점에서 잘립니다. 잘린 지점의 단어는 사라지거나 뭉개질 수 있습니다. 먼저
noise를 올리거나min_silence를 낮춰 고정 길이로 잘라야 하는 구간을 줄이세요. - 짧은 조각은 모델에 주는 맥락이 적습니다. 3초짜리 클립은 10분짜리 파일보다 각 단어 주변의 단어가 적습니다. 이것이 아랍어 정확도를 얼마나 바꾸는지는 측정하지 않았습니다. 자신의 오디오에서 WER로 테스트하세요.
- 화자 라벨이 없습니다. BroadNet은 화자 분리를 반환하지 않으므로 자막에 누가 말하는지 나오지 않습니다.
- 음악과 소음. 배경 음악은 쉼을 완전히 가릴 수 있습니다. 그러면 대부분의 구간이 고정 길이로 잘리고 타이밍이 나빠집니다.
강의, 팟캐스트, 웨비나, 교육 영상이라면 말과 1초 이내로 맞는 자막은 대개 읽을 만합니다. 드라마, 뮤직비디오, 입 모양을 맞춰야 하는 콘텐츠라면 단어 타임스탬프를 제공하는 제공업체를 쓰거나 자막 작업자가 파일을 조정하게 하세요.
비용은 얼마이고, 속도는 어떤가요?
가격은 오디오 길이를 따릅니다. BroadNet Transcribe Arabic에서 아랍어 1시간은 파일 하나로 보내든 5초짜리 파일 720개로 보내든 $0.25 요금입니다. BroadNet 가격 페이지는 오디오 분당 가격을 표시하며 파일당 최소 요금은 없습니다. 첫 에피소드 후 사용량 페이지에서 확인하세요.
속도는 요청 수를 따릅니다. 종량제 키는 분당 요청 30회, 동시 요청 4개를 허용합니다. 1시간 분량의 음성을 5초 구간으로 나누면 약 720회의 요청이 되며, 최소 720 ÷ 30분이 걸립니다. 구간이 길수록 요청이 줄어듭니다. 429를 받으면 오류와 재시도 가이드처럼 백오프하고, 공개된 한도를 피하려고 한 작업을 여러 키로 나누지 마세요.
BroadNet Inference의 역할
BroadNet Transcribe Arabic은 자막 작업의 텍스트 절반에 적합합니다. 아랍어 음성을 아랍어 텍스트로 바꾸며 분당 $0.0042 요금이고, 오디오와 녹취록은 요청 후 보관되지 않습니다. $5 상당의 초기 크레딧으로 전사를 할 수 있으므로, 충전하기 전에 실제 에피소드로 파이프라인을 테스트할 수 있습니다. 타임스탬프, 구간, 화자 라벨, SRT는 반환하지 않습니다. 자막에 단어 단위 타이밍이 필요하다면 이를 문서화한 제공업체를 쓰거나, 강제 정렬(forced alignment) 도구로 BroadNet의 텍스트를 오디오에 맞추세요. 요청 형식과 한도는 BroadNet API 레퍼런스에, 설정 방법은 아랍어 음성 인식 가이드에 있습니다.
