Файл субтитров — это расшифровка с привязанными часами. Получить текст — простая половина работы; тайминг — сложная.
Как это работает
Файл SRT — обычный текст. Каждый блок титра состоит из четырёх частей:
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
В описании формата от Библиотеки Конгресса время записывается как часы:минуты:секунды,миллисекунды, между началом и концом стоят “two hyphens (—) and a right-pointing angle bracket (>)” (перевод: «два дефиса (—) и угловая скобка вправо (>)»), а после каждого блока — пустая строка. SRT там назван “a very simple text format, but not well standardized,” (перевод: «очень простым текстовым форматом, но плохо стандартизированным») без стандарта кодировки символов. Расширение — .srt.
WebVTT, формат W3C для текстовых дорожек видео в HTML, выглядит почти так же. Спецификация требует первой строкой WEBVTT, точку перед миллисекундами (00:00:10.700), кодировку UTF-8 и медиатип text/vtt. На 15 ноября 2026 г. это W3C Candidate Recommendation Draft.
Почему это важно
- Тайминг даёт API — или вы сами. Одни API распознавания речи возвращают временные метки слов или сегментов либо готовый файл. Справочник транскрибации OpenAI перечисляет
srtиvttсреди значенийresponse_format, но оговаривает, что формат зависит от модели и чтоgpt-4o-transcribeиgpt-4o-mini-transcribeвозвращают толькоjson. - Арабская вёрстка. В SRT нет разметки направления, поэтому то, как показываются текст справа налево и пунктуация, решает плеер. См. текст справа налево.
- Правила читаемости. Длину строки, число строк в титре и скорость чтения задают стайлгайды, а не формат.
В BroadNet Inference
Эндпоинт транскрибации BroadNet возвращает текст без временных меток, поэтому напрямую получить SRT нельзя. Рабочий подход, проверенный в статье арабские субтитры (SRT) через API распознавания речи:
- Найдите паузы фильтром FFmpeg
silencedetect(или VAD). - Вырежьте каждый фрагмент речи, не длиннее примерно 12 секунд, в WAV 16 кГц моно.
- Транскрибируйте каждый фрагмент с
language=arна BroadNet Transcribe Arabic. - Возьмите начало и конец каждого фрагмента как время титров и распределите его между строками пропорционально длине текста.
- Запишите пронумерованные блоки SRT.
Границы фрагментов точны настолько, насколько точно найдены паузы; время внутри фрагмента — оценка. Это подходит для докладов и подкастов, но не для драмы с синхронизацией по губам. Для точности до кадра используйте провайдера, у которого задокументированы временные метки слов. Короткие фрагменты — это ещё и больше запросов, так что следите за лимитом оплаты по факту: 30 запросов в минуту. Команды FFmpeg сгенерирует инструмент для нарезки аудио.
Частые ошибки
- Точки вместо запятых во времени SRT или наоборот в WebVTT. Многие плееры отвергают неверный вариант.
- Пропущенные пустые строки между блоками, из-за которых титры сливаются.