자막 파일은 시계가 달린 전사본입니다. 텍스트를 얻는 것은 쉬운 절반이고, 시간을 맞추는 것이 어려운 절반입니다.
작동 방식
SRT 파일은 일반 텍스트입니다. 자막 블록마다 네 부분이 있습니다.
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
미국 의회도서관의 형식 설명은 시간 형식을 시:분:초,밀리초로 제시하며, 시작과 종료 사이에 “two hyphens (—) and a right-pointing angle bracket (>)“(번역: 하이픈 두 개(—)와 오른쪽을 가리키는 꺾쇠(>))를 넣고 블록마다 뒤에 빈 줄을 둔다고 설명합니다. 또 SRT를 “a very simple text format, but not well standardized,“(번역: 매우 단순한 텍스트 형식이지만 표준화가 잘 되어 있지 않다)라고 부르며, 문자 인코딩 표준이 없다고 말합니다. 확장자는 .srt입니다.
HTML 비디오 텍스트 트랙을 위한 W3C 형식인 WebVTT는 거의 똑같아 보입니다. 명세는 첫 줄에 WEBVTT, 밀리초 앞에 마침표(00:00:10.700), UTF-8 인코딩, text/vtt 미디어 타입을 요구합니다. 2026년 11월 15일 현재 W3C 후보 권고안 초안(Candidate Recommendation Draft) 단계입니다.
왜 중요한가
- 타이밍은 API가 주거나, 직접 만들어야 합니다. 일부 음성 인식 API는 단어나 세그먼트 타임스탬프, 또는 완성된 파일을 반환합니다. OpenAI의 전사 레퍼런스는
response_format값에srt와vtt를 포함하지만, 지원 형식이 모델에 따라 다르며gpt-4o-transcribe와gpt-4o-mini-transcribe는json만 반환한다고 밝힙니다. - 아랍어 레이아웃. SRT에는 방향 마크업이 없어서, 오른쪽에서 왼쪽으로 쓰는 텍스트와 문장 부호를 어떻게 보여 줄지는 플레이어가 정합니다. RTL 텍스트를 참고하세요.
- 가독성 규칙. 줄 길이, 자막당 줄 수, 읽기 속도는 형식이 아니라 스타일 가이드가 정합니다.
BroadNet Inference에서는
BroadNet의 전사 엔드포인트는 타임스탬프 없이 텍스트만 반환하므로 SRT를 직접 만들 수 없습니다. 음성 인식 API로 아랍어 자막(SRT) 만들기에서 테스트한 실용적인 방법은 다음과 같습니다.
- FFmpeg의
silencedetect(또는 VAD)로 쉬는 구간을 찾습니다. - 말소리 구간을 최대 약 12초로 잘라 16kHz 모노 WAV로 만듭니다.
- 각 구간을 BroadNet Transcribe Arabic에서
language=ar로 전사합니다. - 각 구간의 시작과 끝을 자막 시간으로 쓰고, 여러 줄이면 텍스트 길이에 비례해 나눕니다.
- 번호를 붙인 SRT 블록을 씁니다.
구간 경계의 정확도는 쉬는 구간 검출의 정확도만큼이고, 구간 안의 시간은 추정치입니다. 강연이나 팟캐스트에는 충분하지만 입 모양을 맞춰야 하는 드라마에는 맞지 않습니다. 프레임 단위로 정확한 타이밍이 필요하면 단어 타임스탬프를 문서화한 제공업체를 쓰세요. 구간이 짧을수록 요청 수도 늘어나므로, 종량제의 분당 요청 30회 한도를 주의하세요. 오디오 분할 도구가 FFmpeg 명령을 만들어 줍니다.
흔한 실수
- SRT 시간에 쉼표 대신 마침표를 쓰는 것, 또는 WebVTT에서 그 반대로 쓰는 것. 잘못된 쪽을 거부하는 플레이어가 많습니다.
- 블록 사이의 빈 줄을 빠뜨리는 것. 자막이 합쳐집니다.