BroadRouter

Konuşmadan metne API ile Arapça altyazı (SRT): neye ihtiyacınız var

BroadNet Inference ekibi · 7 dk okuma · Yayımlandı · Güncellendi

Bir SRT dosyası her altyazı için metin artı bir başlangıç ve bitiş zamanı ister. Kelime veya segment zaman damgası ya da doğrudan SRT dışa aktarımı sunan API'ler en iyi zamanlamayı verir. BroadNet Transcribe Arabic yalnızca metin döndürür; sesi duraklamalardan bölün, her parçayı yazıya dökün ve altyazıları parça ofsetlerinden zamanlayın. Konuşmalar ve podcast'ler için yeterli, kare hassasiyetinde film altyazısı için değil.

Altyazı, zamanları eklenmiş metindir. Arapça bir altyazı hattındaki işin çoğu o zamanları elde etmektir. Bazı konuşmadan metne API’leri bunları size kelime zaman damgaları veya hazır bir SRT dosyası olarak verir. BroadNet Inference dahil diğerleri yalnızca döküm metnini döndürür. Bu yazı bir SRT dosyasının neye ihtiyaç duyduğunu, hangi sağlayıcıların zaman damgalarını belgelediğini ve yalnızca metin döndüren bir API’den kullanılabilir Arapça altyazıların nasıl kurulacağını, sınırlarını açıkça belirterek anlatıyor.

BroadRouter, BroadNet’in kendi sitesidir. Kare hassasiyetinde zamanlamaya ihtiyacınız varsa aşağıdaki dürüst yanıt BroadNet değil, kelime zaman damgaları sunan bir sağlayıcıdır.

Bir SRT dosyası neye ihtiyaç duyar?

Bir SRT (SubRip) dosyası düz metindir. Her altyazının dört parçası vardır: bir numara, bir zaman satırı, bir veya iki satır metin ve boş bir satır.

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

Library of Congress biçim açıklaması zaman biçimini saat:dakika:saniye,milisaniye, oku da iki tire ve bir sağ açılı ayraç olarak veriyor. Ayrıca SRT’nin “not well standardized” (BroadRouter çevirisi: iyi standartlaştırılmamış) olduğunu ve SRT dosyalarının “do not have a character encoding standard” (BroadRouter çevirisi: bir karakter kodlama standardının olmadığını) söylüyor. Arapça için UTF-8 yazın ve hedef oynatıcınızda test edin. Web’deki ardılı WebVTT, milisaniyeden önce virgül yerine nokta kullanır.

Yani kesin gereklilik her altyazı için bir başlangıç ve bitiş zamanıdır. Tek başına metin yetmez.

Arapça bir altyazı satırı ne kadar uzun olmalı?

Tahmin etmek yerine yayımlanmış bir stil rehberi kullanın. Netflix’in Arapça Timed Text Style Guide’ı (değişiklik günlüğü 2025-12-19 tarihli) şunları belirliyor:

Kural Netflix değeri
Satır başına karakter 42
Altyazı başına satır En fazla iki
Okuma hızı, yetişkin programları Saniyede en fazla 20 karakter
Okuma hızı, çocuk programları Saniyede en fazla 17 karakter
Satır bölme Fiili öznesinden, edatı isminden veya sayıyı saydığı şeyden ayırmayın

Netflix’in genel gereklilikleri altyazı başına en az altıda beş saniye ve en fazla 7 saniye ekliyor. Arapça rehber ayrıca çevrilmiş altyazılarda Modern Standart Arapça istiyor. Bu bir çeviri kuralıdır; lehçeyle yapılan konuşmanın dökümü lehçede kalır.

Bu rakamlar koda dönüşür: 42 karakterde satır kaydırın, altyazı başına iki satır kullanın, saniyede 20 karakterin üstünde uyarın ve bir altyazıyı asla 7 saniyeden uzun tutmayın.

Hangi konuşmadan metne API’leri zaman damgası veya SRT belgeliyor?

Her sağlayıcının güncel belgelerini 15 Kasım 2026’da okuduk. Bu liste zamanlamanın ne kadar doğru olduğunu değil, neyin belgelendiğini gösteriyor.

Sağlayıcı Belgelerin sunduğu Arapça
OpenAI Yalnızca whisper-1 üzerinde response_format olarak srt, vtt veya verbose_json ve kelime ya da segment düzeyinde timestamp_granularities[]. gpt-4o-transcribe ve gpt-4o-mini-transcribe yalnızca json döndürür Kontrol edilmedi. OpenAI’ın kullanımdan kaldırmalar sayfası whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe ve gpt-4o-transcribe-diarize modellerini kullanımdan kaldırılmış olarak listeliyor, hepsi 26 Şubat 2027’de kapanıyor; yerine gpt-transcribe veya gpt-live-transcribe öneriliyor
AssemblyAI chars_per_caption ile GET /v2/transcript/{transcript_id}/srt veya /vtt Universal-2’de, %10 ila 25 WER bandında Arapça listelenmiş
Speechmatics Transkript uç noktasında format=srt; max_line_length ve max_lines içeren srt_overrides; kelime öğeleri start_time ve end_time taşır Arapça, ayrıca ar_en Arapça-İngilizce paketi
Deepgram Kelime ve ifade (utterance) zaman damgaları; SRT ve WebVTT yazan resmî Python ve JavaScript altyazı kütüphaneleri Nova-3’te Arapça ve bölgesel kodlar
ElevenLabs Kelime veya karakter düzeyinde timestamps_granularity; her kelimenin saniye cinsinden start ve end değeri var %10 ila 20 WER bandında Arapça listelenmiş
BroadNet Inference Yalnızca {"text": ...} Arapçaya özel bir model ve 14 dilli bir model

Modelleri kendiniz çalıştırabiliyorsanız, whisper.cpp ile derlenmiş FFmpeg’in whisper filtresi doğrudan srt yazabilir ve daha kısa satırlar için bir max_len seçeneği sunar.

Arapça doğruluk ve fiyat üzerine ilk karşılaştırma için Arapça konuşmadan metne API satın alma rehberine ve konuşmadan metne fiyat karşılaştırmasına bakın. Zaman damgaları bu karardaki satırlardan yalnızca biridir.

Yalnızca metin döndüren bir API’den nasıl altyazı yaparsınız?

Zaman damgalarınızı sesi nereden kestiğinize göre kendiniz üretirsiniz. Adımlar:

  1. Duraklamaları bulun. FFmpeg’in silencedetect filtresi, seviyenin bir eşiğin altında en az belirli bir süre kaldığı her yerde silence_start ve silence_end değerlerini saniye cinsinden günlüğe yazar.
  2. Duraklamaları konuşma aralıklarına çevirin. İki sessizlik arasındaki her şey bir aralıktır. Hiç duraklamayan bir konuşmacı da kısa altyazılar üretsin diye aralıkları yaklaşık 12 saniyeyle sınırlayın.
  3. Her aralığı yazıya dökün. Onu 16 kHz mono WAV olarak kesin ve language=ar ile gönderin.
  4. Altyazıları zamanlayın. Aralığın başlangıcı ve bitişi sabit noktalarınızdır. Metni birkaç satır gerektiriyorsa aralığın süresini satırlar arasında uzunluklarıyla orantılı paylaştırın.
  5. SRT’yi yazın ve satır uzunluğunu, okuma hızını ve süreyi stil kurallarına göre kontrol edin.

Bu, uzun ses dosyalarını yazıya dökme yazısındaki bölmenin aynısı, yalnızca amacı farklı. Orada parçalar yaklaşık 10 dakikadır ve yalnızca birleştirilmiş metinle ilgilenirsiniz. Burada parçalar saniyeler uzunluğundadır, çünkü her biri altyazı zamanlarına dönüşür. Elle bölmeyi tercih ederseniz ses bölme aracı FFmpeg komutlarını oluşturur.

Python’da hat

Bu betik OpenAI Python SDK’yı ve FFmpeg’i kullanır. Onu 15 Kasım 2026’da, BroadNet’in belgelenmiş uç noktası gibi ({"text": ...}) yanıt veren yerel bir sahte sunucuya karşı, tonlar ve boşluklardan oluşan üretilmiş bir test dosyasıyla çalıştırdık. Yukarıdaki SRT onun çıktısı. BroadNet anahtarı kullanılmadı, yani Arapça metin modelden değil, sahte sunucudan geldi.

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 ayarlıyken çalıştırın: python make_srt.py episode.wav episode.srt. Test dosyasında duraklama tespiti 0–2,8 sn, 3,6–7,6 sn, 8,8–28,8 sn (duraklama olmadığı için 12 sn’de kesildi) ve 29,4–30,9 sn aralıklarını buldu; bu, dosyanın nasıl üretildiğiyle örtüşüyordu. Çıktı Python srt paketiyle sorunsuz ayrıştırıldı ve FFmpeg ile WebVTT’ye dönüştürüldü.

İki değeri kendi sesinize göre ayarlayın. noise, sessizlik sayılan seviyedir: temiz konuşma için -30 ila -40 dB deneyin, gürültülü odalar için daha yükseğini. min_silence, bir boşluğun ne kadar sürmesi gerektiğidir: 0,3 ila 0,5 saniye, her nefeste bölmeden cümleler arasındaki duraklamaları yakalar.

Parça düzeyinde zamanlama ne kadar doğru?

Bu yöntemin neyi yapıp neyi yapamayacağı konusunda net olun.

  • Aralık kenarları en iyi kısımdır. Gerçek bir duraklamaya denk gelen altyazı başlangıç ve bitişleri, sessizlik tespiti kadar doğrudur. Sentetik test dosyamızda birebir eşleştiler; nefes ve oda gürültüsü içeren gerçek kayıtlar daha dağınıktır.
  • Bir aralığın içindeki zamanlar tahmindir. Bir aralık iki veya üç altyazı içerdiğinde betik süresini karakter sayısına göre paylaştırır. Konuşmacılar sabit hızda konuşmaz, bu yüzden bu iç sınırlar bir saniye veya daha fazla kayabilir.
  • Sabit kesimler kelimeleri bölebilir. Bir aralık duraklama olmadan 12 saniyelik sınırı aştığında kesim nereye denk gelirse oraya düşer. Kesimdeki bir kelime kaybolabilir veya bozulabilir. Daha az aralık sabit kesime ihtiyaç duysun diye önce noise değerini yükseltin veya min_silence değerini düşürün.
  • Kısa parçalar modele daha az bağlam verir. 3 saniyelik bir klipte her kelimenin çevresinde 10 dakikalık bir dosyaya göre daha az kelime vardır. Bunun Arapça doğruluğu ne kadar değiştirdiğini ölçmedik; kendi sesinizde WER ile test edin.
  • Konuşmacı etiketi yok. BroadNet konuşmacı ayrımı (diarization) döndürmez, bu yüzden altyazılar kimin konuştuğunu söylemez.
  • Müzik ve gürültü. Arka plan müziği duraklamaları tamamen gizleyebilir. O zaman aralıkların çoğu sabit kesim olur ve zamanlama kötüleşir.

Dersler, podcast’ler, webinarlar ve eğitim videoları için konuşmadan en fazla bir saniye sapan altyazılar genellikle okunabilir. Dizi ve filmler, müzik videoları veya dudak senkronlu herhangi bir şey için kelime düzeyinde zaman damgası sunan bir sağlayıcı kullanın ya da dosyayı bir altyazı uzmanına düzelttirin.

Maliyeti ne, ne kadar hızlı?

Fiyat ses uzunluğunu izler. BroadNet Transcribe Arabic’te bir saatlik Arapça, ister tek dosya ister 720 beş saniyelik dosya olarak gönderin, $0.25 tutar. BroadNet’in fiyatlandırma sayfası ses dakikası başına bir fiyat listeliyor ve dosya başına bir alt sınır belirtmiyor; doğrulamak için ilk bölümünüzden sonra kullanım sayfasını kontrol edin.

Hız istek sayısını izler. Bir kullandıkça öde anahtarı dakikada 30 isteğe ve aynı anda 4 isteğe izin verir. 5 saniyelik aralıklara bölünmüş bir saatlik konuşma yaklaşık 720 istek eder; bu da en az 720 ÷ 30 dakika sürer. Daha uzun aralıklar daha az istek demektir. 429 alırsanız hatalar ve yeniden denemeler rehberindeki gibi geri çekilin ve yayımlanmış limitleri aşmak için tek bir işi anahtarlara yaymayın.

BroadNet Inference bu tabloda nerede duruyor?

BroadNet Transcribe Arabic bir altyazı işinin metin yarısına uygundur: dakikası $0.0042 olan Arapça konuşmadan Arapça metne dönüştürme; ses ve dökümler istekten sonra saklanmaz. $5 başlangıç kredisi transkripsiyonu kapsar, yani bakiye yüklemeden önce hattı gerçek bölümler üzerinde test edebilirsiniz. Zaman damgası, segment, konuşmacı etiketi veya SRT döndürmez. Altyazılarınız kelime düzeyinde zamanlama gerektiriyorsa bunu belgeleyen bir sağlayıcı kullanın ya da BroadNet’in metnini bir zorunlu hizalama (forced alignment) aracıyla sese hizalayın. İstek biçimleri ve limitler BroadNet API başvurusunda, kurulum ise Arapça konuşmadan metne rehberinde.

Sık sorulan sorular

BroadNet'in transkripsiyon API'sinden doğrudan SRT dosyası alabilir miyim?

Hayır. BroadNet'in belgeleri tek bir text alanı olan bir JSON yanıtı gösteriyor; SRT, VTT veya zaman damgası seçeneği yok. /v1/models meta verisi (kontrol tarihi 2026-11-15) json, text ve verbose_json yanıt biçimlerini listeliyor, ama hiçbir kaynak verbose_json'un zaman damgası taşıdığını söylemiyor. Zamanlamayı bu yazıdaki gibi parça ofsetlerinden kendiniz kurun ya da zaman damgalarını belgeleyen bir sağlayıcı kullanın.

Hangi konuşmadan metne API'leri Arapça için SRT dışa aktarır?

15 Kasım 2026'da kontrol ettiklerimiz arasında AssemblyAI (bir altyazı uç noktası, Universal-2'de Arapça) ve Speechmatics (format=srt, Arapça ve Arapça-İngilizce paketi) SRT dışa aktarımını belgeliyor. OpenAI SRT'yi kullanımdan kaldırılmış whisper-1 için belgeliyor. Deepgram ise zaman damgaları üzerine kurulu altyazı kütüphanelerini belgeliyor.

Arapça altyazılarda satır başına kaç karakter olmalı?

Netflix'in Arapça Timed Text Style Guide'ı satır başına 42 karakter ve en fazla iki satır belirliyor. Yetişkin programları için okuma hızı limiti saniyede en fazla 20 karakter, çocuk programları için 17.

Ses parçalarından zamanlanan altyazılar ne kadar doğru?

Her parçanın başlangıcı ve bitişi duraklama tespiti kadar doğrudur, bu yüzden onu kendi sesinize göre ayarlayın. Bir parçanın içindeki altyazıların zamanları metin uzunluğundan tahmin edilir ve bir saniye veya daha fazla kayabilir. Bu konuşmalar ve podcast'ler için uygundur, dudak senkronlu dizi ve filmler için değil.

Arapça SRT dosyamda noktalama neden yanlış tarafta görünüyor?

SRT'de yön işaretlemesi yoktur; sağdan sola metnin nasıl dizileceğine oynatıcı karar verir. Dosyayı kitlenizin kullandığı oynatıcılarda test edin. Noktalama yer değiştiriyorsa daha zengin biçimlendirmeli bir format veya oynatıcının RTL metin ayarını deneyin.

Sesi kısa parçalara bölmek daha pahalı mı?

BroadNet transkripsiyonu ses dakikası başına fiyatlar, yani toplam ses aynıdır. Ama daha çok istek demektir: kısa parçalar dakikada 30 isteklik kullandıkça öde limitine daha çabuk takılır. Faturalamayı doğrulamak için ilk çalıştırmadan sonra kullanım sayfanızı kontrol edin.

Markdown olarak okuChatGPT asistanına sorClaude asistanına sorPerplexity asistanına sor

Kaynaklar