---
title: "speech-to-text API سے عربی SRT سب ٹائٹلز | BroadRouter"
description: "SRT فائل کو کیا چاہیے، کون سے speech-to-text APIs عربی کے لیے ٹائم اسٹیمپس یا SRT دیتے ہیں، اور صرف متن والے API سے سب ٹائٹلز بنانے والی ٹیسٹ شدہ پائپ لائن۔"
url: https://broadrouter.com/ur/blog/arabic-subtitles-srt-api/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/arabic-subtitles-srt-api/) (اپ ڈیٹ: 2026-11-16).

# speech-to-text API سے عربی سب ٹائٹلز (SRT): آپ کو کیا چاہیے

BroadNet Inference ٹیم · 7 منٹ کی پڑھائی · شائع شدہ 2026-11-15 · اپ ڈیٹ 2026-11-16

SRT فائل کو متن کے ساتھ ہر کیپشن کا آغاز اور اختتام کا وقت چاہیے۔ لفظ یا segment ٹائم اسٹیمپس، یا براہ راست SRT ایکسپورٹ والے APIs بہترین ٹائمنگ دیتے ہیں۔ BroadNet Transcribe Arabic صرف متن لوٹاتا ہے، اس لیے آڈیو کو وقفوں پر کاٹیں، ہر chunk ٹرانسکرائب کریں اور chunk offsets سے کیپشنز کا وقت طے کریں۔ ٹاکس اور پوڈکاسٹس کے لیے ٹھیک، فریم کی حد تک درست فلمی سب ٹائٹلز کے لیے نہیں۔

## اہم نکات

-   SRT کیپشنز کی نمبر شدہ فہرست ہے، ہر ایک کے ساتھ hh:mm:ss,mmm --> hh:mm:ss,mmm والی لائن۔ Library of Congress نوٹ کرتی ہے کہ اس کی کوئی باضابطہ specification اور کوئی character-encoding معیار نہیں۔
-   BroadNet کا دستاویزی ٹرانسکرپشن جواب صرف {"text": ...} ہے: نہ ٹائم اسٹیمپس، نہ segments، نہ SRT آؤٹ پٹ۔
-   OpenAI صرف whisper-1 پر SRT اور لفظی ٹائم اسٹیمپس دستاویزی کرتا ہے، جسے وہ 26 فروری 2027 کو بند ہونے والوں میں گنواتا ہے۔ AssemblyAI اور Speechmatics SRT ایکسپورٹ دستاویزی کرتے ہیں؛ Deepgram اور ElevenLabs لفظی ٹائم اسٹیمپس۔
-   Netflix کی عربی گائیڈ بالغوں کے پروگراموں کے لیے فی لائن 42 حروف، دو لائنیں اور فی سیکنڈ 20 حروف تک طے کرتی ہے؛ اس کی عمومی گائیڈ ایک کیپشن کو 7 سیکنڈ تک محدود کرتی ہے۔
-   chunk کی سطح کی ٹائمنگ اتنی ہی درست ہے جتنے آپ کے وقفے۔ chunk کے اندر کیپشنز کا وقت متن کی لمبائی سے اندازاً نکالا جاتا ہے۔

**اس صفحے پر**

1.  SRT فائل کو کیا چاہیے؟
2.  عربی سب ٹائٹل کی لائن کتنی لمبی ہونی چاہیے؟
3.  کون سے speech-to-text APIs ٹائم اسٹیمپس یا SRT دستاویزی کرتے ہیں؟
4.  صرف متن والے API سے سب ٹائٹلز کیسے بنائیں؟
5.  Python میں پائپ لائن
6.  chunk کی سطح کی ٹائمنگ کتنی درست ہے؟
7.  لاگت کیا ہے، اور یہ کتنا تیز ہے؟
8.  BroadNet Inference کہاں فٹ ہوتا ہے

سب ٹائٹلز وقت سے جڑا ہوا متن ہیں۔ عربی سب ٹائٹل پائپ لائن کا زیادہ تر کام وہی وقت حاصل کرنا ہے۔ کچھ speech-to-text APIs انہیں لفظی ٹائم اسٹیمپس یا تیار SRT فائل کی شکل میں دے دیتے ہیں۔ دوسرے، جن میں BroadNet Inference بھی ہے، صرف ٹرانسکرپٹ کا متن لوٹاتے ہیں۔ یہ پوسٹ بتاتی ہے کہ SRT فائل کو کیا چاہیے، کون سے فراہم کنندگان ٹائم اسٹیمپس دستاویزی کرتے ہیں، اور صرف متن والے API سے قابل استعمال عربی سب ٹائٹلز کیسے بنائیں، حدیں صاف صاف بتاتے ہوئے۔

BroadRouter، BroadNet کی اپنی سائٹ ہے۔ اگر آپ کو فریم کی حد تک درست ٹائمنگ چاہیے تو نیچے کا دیانت دار جواب لفظی ٹائم اسٹیمپس والا فراہم کنندہ ہے، BroadNet نہیں۔

## SRT فائل کو کیا چاہیے؟

SRT (SubRip) فائل سادہ متن ہے۔ ہر کیپشن کے چار حصے ہوتے ہیں: ایک نمبر، ایک وقت والی لائن، متن کی ایک یا دو لائنیں، اور ایک خالی لائن۔

```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
```

Library of Congress کی فارمیٹ تفصیل وقت کا فارمیٹ گھنٹے:منٹ:سیکنڈ،ملی سیکنڈ بتاتی ہے اور تیر کو دو ہائفن اور ایک دایاں زاویہ دار بریکٹ۔ یہ یہ بھی کہتی ہے کہ SRT “not well standardized” (ترجمہ: اچھی طرح معیاری نہیں) ہے اور SRT فائلیں “do not have a character encoding standard” (ترجمہ: کا کوئی character encoding معیار نہیں)۔ عربی کے لیے UTF-8 لکھیں اور اپنے ہدف پلیئر میں ٹیسٹ کریں۔ WebVTT، اس کا ویب جانشین، ملی سیکنڈ سے پہلے کوما کی جگہ فل اسٹاپ استعمال کرتا ہے۔

تو سخت ضرورت ہر کیپشن کے لیے آغاز اور اختتام کا وقت ہے۔ صرف متن کافی نہیں۔

## عربی سب ٹائٹل کی لائن کتنی لمبی ہونی چاہیے؟

اندازہ لگانے کی بجائے کوئی شائع شدہ اسٹائل گائیڈ استعمال کریں۔ Netflix کی Arabic Timed Text Style Guide (change log کی تاریخ 2025-12-19) یہ طے کرتی ہے:

| اصول | Netflix کی قدر |
| --- | --- |
| فی لائن حروف | 42 |
| فی کیپشن لائنیں | زیادہ سے زیادہ دو |
| پڑھنے کی رفتار، بالغوں کے پروگرام | فی سیکنڈ 20 حروف تک |
| پڑھنے کی رفتار، بچوں کے پروگرام | فی سیکنڈ 17 حروف تک |
| لائن توڑنا | فعل کو اس کے فاعل سے، حرف جار کو اس کے اسم سے، یا عدد کو گنی جانے والی چیز سے الگ نہ کریں |

Netflix کی عمومی ضروریات فی کیپشن کم از کم سیکنڈ کا پانچ چھٹا حصہ اور زیادہ سے زیادہ 7 سیکنڈ شامل کرتی ہیں۔ عربی گائیڈ ترجمہ شدہ سب ٹائٹلز میں جدید معیاری عربی بھی مانگتی ہے۔ یہ ترجمے کا اصول ہے؛ لہجے والی گفتگو کا ٹرانسکرپٹ لہجے ہی میں رہتا ہے۔

یہ اعداد کوڈ بن جاتے ہیں: 42 حروف پر لائن توڑیں، فی کیپشن دو لائنیں، فی سیکنڈ 20 حروف سے اوپر انتباہ دیں، اور کوئی کیپشن 7 سیکنڈ سے زیادہ نہ روکیں۔

## کون سے speech-to-text APIs ٹائم اسٹیمپس یا SRT دستاویزی کرتے ہیں؟

ہم نے 15 نومبر 2026 کو ہر فراہم کنندہ کے موجودہ ڈاکس پڑھے۔ یہ فہرست بتاتی ہے کہ وہ کیا دستاویزی کرتے ہیں، یہ نہیں کہ ٹائمنگ کتنی درست ہے۔

| فراہم کنندہ | ڈاکس کیا پیش کرتے ہیں | عربی |
| --- | --- | --- |
| OpenAI | `response_format` `srt`، `vtt` یا `verbose_json`، اور `timestamp_granularities[]` word یا segment، صرف `whisper-1` پر۔ `gpt-4o-transcribe` اور `gpt-4o-mini-transcribe` صرف `json` لوٹاتے ہیں | چیک نہیں کیا گیا۔ OpenAI کا deprecations صفحہ `whisper-1`، `gpt-4o-transcribe`، `gpt-4o-mini-transcribe` اور `gpt-4o-transcribe-diarize` کو فرسودہ قرار دیتا ہے، سب 26 فروری 2027 کو بند ہوں گے، اور ان کی جگہ `gpt-transcribe` یا `gpt-live-transcribe` کی سفارش کرتا ہے |
| AssemblyAI | `GET /v2/transcript/{transcript_id}/srt` یا `/vtt`، `chars_per_caption` کے ساتھ | Universal-2 پر عربی درج، اس کے 10 سے 25% WER والے زمرے میں |
| Speechmatics | transcript اینڈپوائنٹ پر `format=srt`؛ `max_line_length` اور `max_lines` کے ساتھ `srt_overrides`؛ لفظی آئٹمز میں `start_time` اور `end_time` | عربی، اور ایک `ar_en` عربی انگریزی پیک |
| Deepgram | لفظ اور utterance ٹائم اسٹیمپس؛ SRT اور WebVTT لکھنے والی سرکاری Python اور JavaScript کیپشن لائبریریاں | Nova-3 پر عربی اور علاقائی کوڈز |
| ElevenLabs | `timestamps_granularity` word یا character؛ ہر لفظ کا `start` اور `end` سیکنڈز میں | عربی درج، اس کے 10 سے 20% WER والے زمرے میں |
| BroadNet Inference | صرف `{"text": ...}` | عربی کے لیے مخصوص ماڈل اور 14 زبانوں والا ماڈل |

اگر آپ ماڈلز خود چلا سکتے ہیں تو whisper.cpp کے ساتھ بنا FFmpeg کا `whisper` filter براہ راست `srt` لکھ سکتا ہے اور چھوٹی لائنوں کے لیے اس میں `max_len` آپشن ہے۔

عربی درستگی اور قیمت کے پہلے موازنے کے لیے [عربی speech-to-text API خریدار گائیڈ](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/) اور [speech-to-text قیمتوں کا موازنہ](https://broadrouter.com/ur/blog/speech-to-text-api-pricing-compared/) دیکھیں۔ اس فیصلے میں ٹائم اسٹیمپس ایک قطار ہیں، واحد نہیں۔

## صرف متن والے API سے سب ٹائٹلز کیسے بنائیں؟

آپ آڈیو جہاں کاٹتے ہیں، وہیں سے اپنے ٹائم اسٹیمپس بناتے ہیں۔ مراحل:

1.  **وقفے ڈھونڈیں۔** FFmpeg کا `silencedetect` جہاں بھی سطح کسی حد سے نیچے کم از کم وقت تک رہتی ہے، وہاں `silence_start` اور `silence_end` سیکنڈز میں لاگ کرتا ہے۔
2.  **وقفوں کو گفتگو کے حصوں میں بدلیں۔** دو خاموشیوں کے درمیان کا سب کچھ ایک حصہ ہے۔ حصوں کو تقریباً 12 سیکنڈ پر محدود کریں، تاکہ کبھی نہ رکنے والا مقرر بھی مختصر کیپشنز دے۔
3.  **ہر حصہ ٹرانسکرائب کریں۔** اسے 16 kHz mono WAV میں کاٹیں اور `language=ar` کے ساتھ بھیجیں۔
4.  **کیپشنز کا وقت طے کریں۔** حصے کا آغاز اور اختتام آپ کے بنیادی اوقات ہیں۔ اگر اس کے متن کو کئی لائنیں چاہییں تو حصے کا وقت ان کی لمبائی کے تناسب سے بانٹیں۔
5.  **SRT لکھیں** اور لائن کی لمبائی، پڑھنے کی رفتار اور دورانیے کو اسٹائل اصولوں سے چیک کریں۔

یہ وہی تقسیم ہے جو [لمبی آڈیو فائلیں ٹرانسکرائب کرنے](https://broadrouter.com/ur/blog/transcribe-long-audio-files-api/) میں ہے، بس مقصد مختلف ہے۔ وہاں chunks تقریباً 10 منٹ کے ہوتے ہیں اور آپ کو صرف جڑے ہوئے متن کی پروا ہوتی ہے۔ یہاں chunks چند سیکنڈ کے ہوتے ہیں، کیونکہ ہر ایک کیپشن کا وقت بنتا ہے۔ اگر آپ ہاتھ سے کاٹنا پسند کرتے ہیں تو [آڈیو اسپلٹر ٹول](https://broadrouter.com/tools/audio-splitter-ffmpeg/) FFmpeg کمانڈز بناتا ہے۔

## Python میں پائپ لائن

یہ اسکرپٹ OpenAI Python SDK اور FFmpeg استعمال کرتی ہے۔ ہم نے اسے 15 نومبر 2026 کو ایک لوکل mock سرور پر چلایا، جو BroadNet کے دستاویزی اینڈپوائنٹ (`{"text": ...}`) کی طرح جواب دیتا ہے، اور ٹونز اور خالی جگہوں والی ایک بنائی گئی ٹیسٹ فائل کے ساتھ۔ اوپر والا SRT اسی کا آؤٹ پٹ ہے۔ کوئی BroadNet کلید استعمال نہیں ہوئی، اس لیے عربی متن mock سے آیا، ماڈل سے نہیں۔

```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` سیٹ کر کے چلائیں: `python make_srt.py episode.wav episode.srt`۔ ٹیسٹ فائل پر وقفوں کی شناخت نے 0 سے 2.8 s، 3.6 سے 7.6 s، 8.8 سے 28.8 s (12 s پر کاٹا گیا کیونکہ اس میں کوئی وقفہ نہیں تھا) اور 29.4 سے 30.9 s کے حصے پائے، جو فائل بنانے کے طریقے سے میل کھاتے تھے۔ آؤٹ پٹ Python `srt` پیکیج سے صاف پارس ہوا اور FFmpeg سے WebVTT میں بدل گیا۔

دو قدریں اپنی آڈیو کے مطابق ٹیون کریں۔ `noise` وہ سطح ہے جسے خاموشی سمجھا جاتا ہے: صاف گفتگو کے لیے -30 سے -40 dB آزمائیں اور شور والے کمروں کے لیے زیادہ۔ `min_silence` یہ ہے کہ خالی جگہ کتنی دیر کی ہونی چاہیے: 0.3 سے 0.5 سیکنڈ ہر سانس پر کاٹے بغیر جملوں کے درمیان کے وقفے پکڑتا ہے۔

## chunk کی سطح کی ٹائمنگ کتنی درست ہے؟

یہ طریقہ کیا کر سکتا ہے اور کیا نہیں، اس بارے میں واضح رہیں۔

-   **حصوں کے کنارے سب سے اچھا حصہ ہیں۔** حقیقی وقفے پر پڑنے والے کیپشنز کا آغاز اور اختتام اتنا ہی درست ہے جتنی خاموشی کی شناخت۔ ہماری مصنوعی ٹیسٹ فائل پر یہ بالکل میل کھائے؛ سانسوں اور کمرے کے شور والی حقیقی ریکارڈنگز زیادہ الجھی ہوتی ہیں۔
-   **حصے کے اندر کے اوقات اندازے ہیں۔** جب کسی حصے میں دو یا تین کیپشنز ہوتے ہیں تو اسکرپٹ اس کا وقت حروف کی گنتی سے بانٹتی ہے۔ مقرر یکساں رفتار سے نہیں بولتے، اس لیے اندر کی حدیں ایک سیکنڈ یا زیادہ کھسک سکتی ہیں۔
-   **مقررہ کٹ الفاظ کو کاٹ سکتے ہیں۔** جب کوئی حصہ بغیر وقفے کے 12 سیکنڈ کی حد پار کرتا ہے تو کٹ جہاں پڑے، وہیں پڑتا ہے۔ کٹ پر پڑا لفظ کھو سکتا ہے یا بگڑ سکتا ہے۔ پہلے `noise` بڑھائیں یا `min_silence` گھٹائیں، تاکہ کم حصوں کو مقررہ کٹ کی ضرورت پڑے۔
-   **چھوٹے chunks ماڈل کو کم کانٹیکسٹ دیتے ہیں۔** 3 سیکنڈ کی کلپ میں ہر لفظ کے آس پاس 10 منٹ کی فائل سے کم الفاظ ہوتے ہیں۔ ہم نے نہیں ناپا کہ اس سے عربی درستگی کتنی بدلتی ہے؛ اسے اپنی آڈیو پر [WER](https://broadrouter.com/ur/blog/arabic-asr-wer-explained/) سے ٹیسٹ کریں۔
-   **اسپیکر لیبلز نہیں۔** BroadNet کوئی [diarization](https://broadrouter.com/ur/glossary/diarization/) نہیں لوٹاتا، اس لیے کیپشنز یہ نہیں بتاتے کہ کون بول رہا ہے۔
-   **موسیقی اور شور۔** پس منظر کی موسیقی وقفے مکمل طور پر چھپا سکتی ہے۔ تب زیادہ تر حصے مقررہ کٹ ہوتے ہیں، اور ٹائمنگ بگڑتی ہے۔

لیکچرز، پوڈکاسٹس، ویبینارز اور ٹریننگ ویڈیوز کے لیے گفتگو سے ایک سیکنڈ کے اندر کے کیپشنز عموماً پڑھنے کے قابل ہوتے ہیں۔ ڈرامے، میوزک ویڈیوز یا lip-sync والی کسی بھی چیز کے لیے لفظی [ٹائم اسٹیمپس](https://broadrouter.com/ur/glossary/timestamps-asr/) والا فراہم کنندہ استعمال کریں، یا کسی سب ٹائٹلر سے فائل درست کروائیں۔

## لاگت کیا ہے، اور یہ کتنا تیز ہے؟

قیمت آڈیو کی لمبائی کے حساب سے ہے۔ BroadNet Transcribe Arabic پر ایک گھنٹے کی عربی کی لاگت $0.25 ہے، چاہے آپ اسے ایک فائل میں بھیجیں یا پانچ پانچ سیکنڈ کی 720 فائلوں میں۔ BroadNet کا قیمتوں کا صفحہ فی آڈیو منٹ قیمت بتاتا ہے اور فی فائل کوئی کم از کم نہیں؛ تصدیق کے لیے پہلی قسط کے بعد usage صفحہ دیکھیں۔

رفتار درخواستوں کی تعداد کے حساب سے ہے۔ استعمال کے مطابق ادائیگی والی کلید فی منٹ 30 درخواستیں اور 4 جاری درخواستیں دیتی ہے۔ 5 سیکنڈ کے حصوں میں بٹی ایک گھنٹے کی گفتگو تقریباً 720 درخواستیں ہے، جس میں کم از کم 720 ÷ 30 منٹ لگتے ہیں۔ لمبے حصوں کا مطلب کم درخواستیں۔ اگر 429 آئے تو [ایررز اور دوبارہ کوششوں کی گائیڈ](https://broadrouter.com/ur/guides/errors-and-retries/) کے مطابق رکیں، اور شائع شدہ حدوں سے بچنے کے لیے ایک جاب کو کئی کلیدوں میں نہ پھیلائیں۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadNet Transcribe Arabic سب ٹائٹل جاب کے متن والے حصے کے لیے موزوں ہے: $0.0042 فی منٹ پر عربی گفتگو سے عربی متن، اور درخواست کے بعد آڈیو اور ٹرانسکرپٹس نہیں رکھے جاتے۔ $5 کا ابتدائی کریڈٹ ٹرانسکرپشن کا احاطہ کرتا ہے، اس لیے ٹاپ اپ سے پہلے آپ حقیقی اقساط پر پائپ لائن ٹیسٹ کر سکتے ہیں۔ یہ ٹائم اسٹیمپس، segments، اسپیکر لیبلز یا SRT نہیں لوٹاتا۔ اگر آپ کے سب ٹائٹلز کو لفظی سطح کی ٹائمنگ چاہیے تو اسے دستاویزی کرنے والا فراہم کنندہ استعمال کریں، یا forced-alignment ٹول سے BroadNet کے متن کو آڈیو سے ملائیں۔ درخواست کی ساخت اور حدیں [BroadNet API ریفرنس](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-subtitles-srt-api&utm_content=body) میں ہیں، اور سیٹ اپ [عربی speech-to-text گائیڈ](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/) میں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [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.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[SRT سب ٹائٹلز (SRT subtitles)](https://broadrouter.com/ur/glossary/srt-subtitles/)

SRT (SubRip) ایک سادہ متن والا سب ٹائٹل فارمیٹ ہے۔ ہر کیپشن میں ایک ترتیبی نمبر، hh:mm:ss,mmm --> hh:mm:ss,mmm کی صورت میں لکھا شروع اور اختتام کا وقت، متن کی ایک یا زیادہ لائنیں اور ایک خالی لائن ہوتی ہے۔ WebVTT اس سے ملتا جلتا ویب فارمیٹ ہے جو HTML ویڈیو استعمال کرتا ہے۔

[اسپیچ ٹو ٹیکسٹ (speech-to-text)](https://broadrouter.com/ur/glossary/speech-to-text/)

اسپیچ ٹو ٹیکسٹ، جسے automatic speech recognition (ASR) بھی کہتے ہیں، بولے گئے آڈیو کو تحریری متن میں بدلنے کی ٹیکنالوجی ہے۔ speech-to-text API آڈیو فائل یا اسٹریم لے کر ٹرانسکرپٹ لوٹاتا ہے، عموماً فی آڈیو منٹ قیمت پر۔ درستگی ورڈ ایرر ریٹ سے ناپی جاتی ہے اور لہجے، بولی اور ریکارڈنگ کے معیار کے ساتھ بدلتی ہے۔

[استعمال کے مطابق ادائیگی (pay-as-you-go)](https://broadrouter.com/ur/glossary/pay-as-you-go/)

استعمال کے مطابق ادائیگی (pay-as-you-go) قیمت طے کرنے کا ایک ماڈل ہے جس میں آپ صرف اتنا دیتے ہیں جتنا استعمال کرتے ہیں، ٹوکن، درخواستوں یا آڈیو منٹ جیسی اکائیوں میں ناپ کر، بغیر سبسکرپشن یا کم از کم وابستگی کے۔ زیادہ تر LLM API اسی طرح بل بناتے ہیں، پری پیڈ بیلنس یا وقتاً فوقتاً بننے والی انوائس سے۔

[ورڈ ایرر ریٹ (WER)](https://broadrouter.com/ur/glossary/word-error-rate/)

ورڈ ایرر ریٹ (WER) اسپیچ ریکگنیشن کی درستی کا معیاری پیمانہ ہے: ٹرانسکرپٹ کو درست ریفرنس میں بدلنے کے لیے درکار الفاظ کے substitutions، deletions اور insertions کی تعداد، جسے ریفرنس کے کل الفاظ سے تقسیم کیا جاتا ہے۔ جتنا کم، اتنا بہتر۔

[ریٹ لمٹ (rate limit)](https://broadrouter.com/ur/glossary/rate-limit/)

ریٹ لمٹ وہ حد ہے جو کوئی API طے کرتا ہے کہ ایک کلائنٹ کسی مدت میں اسے کتنا استعمال کر سکتا ہے، جیسے فی منٹ درخواستیں یا فی منٹ ٹوکن۔ حد سے زیادہ درخواستیں رد کر دی جاتی ہیں، عموماً HTTP 429 Too Many Requests کے ساتھ، جب تک استعمال دوبارہ حد سے نیچے نہ آ جائے۔

[کنکرنسی (concurrency)](https://broadrouter.com/ur/glossary/concurrency/)

کنکرنسی، کسی کلائنٹ کی بیک وقت چل رہی (in-flight) درخواستوں کی تعداد ہے۔ LLM APIs اکثر اس کی حد ہر کلید یا پلان پر، فی منٹ درخواستوں سے الگ رکھتے ہیں، کیونکہ ہر کھلی درخواست جواب مکمل ہونے تک GPU کی گنجائش گھیرے رکھتی ہے۔

[پری پیڈ کریڈٹ (prepaid credit)](https://broadrouter.com/ur/glossary/prepaid-credit/)

پری پیڈ کریڈٹ وہ رقم ہے جو استعمال سے پہلے API اکاؤنٹ میں ڈالی جاتی ہے۔ ہر درخواست کی لاگت بیلنس سے کٹتی ہے، اور بیلنس ختم ہونے پر میٹر والی درخواستیں تب تک رک جاتی ہیں جب تک آپ ٹاپ اپ نہ کریں۔ اس سے خرچ اتنا ہی رہتا ہے جتنا آپ نے جمع کیا ہے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

## عام سوالات

### کیا BroadNet کے ٹرانسکرپشن API سے براہ راست SRT فائل مل سکتی ہے؟

نہیں۔ BroadNet کے ڈاکس ایک text فیلڈ والا JSON جواب دکھاتے ہیں، اور کوئی SRT، VTT یا ٹائم اسٹیمپ آپشن نہیں۔ اس کا /v1/models metadata (2026-11-15 کو دیکھا گیا) json، text اور verbose\_json جواب کے فارمیٹس گنواتا ہے، لیکن کوئی ماخذ نہیں کہتا کہ verbose\_json میں ٹائم اسٹیمپس ہوتے ہیں۔ ٹائمنگ خود chunk offsets سے بنائیں، جیسا اس پوسٹ میں ہے، یا ٹائم اسٹیمپس دستاویزی کرنے والا فراہم کنندہ استعمال کریں۔

### کون سے speech-to-text APIs عربی کے لیے SRT ایکسپورٹ کرتے ہیں؟

15 نومبر 2026 کو ہم نے جنہیں چیک کیا، ان میں AssemblyAI (subtitles اینڈپوائنٹ، Universal-2 پر عربی) اور Speechmatics (format=srt، عربی اور ایک عربی انگریزی پیک) SRT ایکسپورٹ دستاویزی کرتے ہیں۔ OpenAI whisper-1 پر SRT دستاویزی کرتا ہے، جو فرسودہ قرار دیا جا چکا ہے۔ Deepgram اپنے ٹائم اسٹیمپس پر بنی کیپشن لائبریریاں دستاویزی کرتا ہے۔

### عربی سب ٹائٹلز میں فی لائن کتنے حروف ہونے چاہییں؟

Netflix کی Arabic Timed Text Style Guide فی لائن 42 حروف اور زیادہ سے زیادہ دو لائنیں طے کرتی ہے۔ بالغوں کے پروگراموں کے لیے اس کی پڑھنے کی رفتار کی حد فی سیکنڈ 20 حروف تک ہے، اور بچوں کے پروگراموں کے لیے 17۔

### آڈیو chunks سے ٹائم کیے گئے سب ٹائٹلز کتنے درست ہوتے ہیں؟

ہر chunk کا آغاز اور اختتام اتنا ہی درست ہے جتنی وقفوں کی شناخت، اس لیے اسے اپنی آڈیو پر ٹیون کریں۔ chunk کے اندر کے کیپشنز کا وقت متن کی لمبائی سے اندازاً نکالا جاتا ہے، اس لیے وہ ایک سیکنڈ یا زیادہ کھسک سکتے ہیں۔ یہ ٹاکس اور پوڈکاسٹس کے لیے ٹھیک ہے، lip-sync والے ڈراموں کے لیے نہیں۔

### میرے عربی SRT میں رموز اوقاف غلط طرف کیوں دکھتے ہیں؟

SRT میں سمت کا کوئی markup نہیں ہوتا، اس لیے دائیں سے بائیں متن کی ترتیب پلیئر طے کرتا ہے۔ فائل کو ان پلیئرز میں ٹیسٹ کریں جو آپ کے ناظرین استعمال کرتے ہیں۔ اگر رموز اوقاف کھسکتے ہیں تو زیادہ اسٹائلنگ والا فارمیٹ یا RTL متن کے لیے پلیئر سیٹنگ آزمائیں۔

### کیا آڈیو کو چھوٹے chunks میں کاٹنے سے لاگت بڑھتی ہے؟

BroadNet ٹرانسکرپشن کی قیمت فی آڈیو منٹ لگاتا ہے، اس لیے کل آڈیو اتنی ہی رہتی ہے۔ ہاں، درخواستیں زیادہ ہوتی ہیں: چھوٹے chunks استعمال کے مطابق ادائیگی کی فی منٹ 30 درخواستوں کی حد تک جلدی پہنچتے ہیں۔ بلنگ کی تصدیق کے لیے پہلے رن کے بعد اپنا usage صفحہ دیکھیں۔

## مزید پڑھیں

-   [25 MB سے بڑا لمبا آڈیو ٹرانسکرائب کریں: تقسیم، ارسال، جوڑ](https://broadrouter.com/ur/blog/transcribe-long-audio-files-api/)
-   [عربی speech-to-text API: 2026 میں درست API کیسے منتخب کریں](https://broadrouter.com/ur/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Whisper API کا متبادل: کب بدلیں، اور اسے کیسے ٹیسٹ کریں](https://broadrouter.com/ur/blog/whisper-api-alternative/)
-   [عربی ریکارڈنگز سے میٹنگ منٹس: ایک API پائپ لائن](https://broadrouter.com/ur/blog/arabic-meeting-minutes-from-recordings/)
-   [اسپیچ ٹو ٹیکسٹ API کی قیمتوں کا موازنہ: 2026 میں فی منٹ قیمت](https://broadrouter.com/ur/blog/speech-to-text-api-pricing-compared/)
-   [LLM سے عربی متن پر اعراب (تشکیل) لگانا: پرامپٹ، جانچ، DER](https://broadrouter.com/ur/blog/arabic-diacritization-llm/)
-   [LLM سے عربی گرامر اور املا کی تصحیح: ایک عملی رہنما](https://broadrouter.com/ur/blog/arabic-grammar-spelling-correction-llm/)
-   [گائیڈ: عربی speech-to-text API، قدم بہ قدم](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/)
-   [گائیڈ: BroadNet Inference کے ایرر کوڈز اور دوبارہ کوشش کب کریں](https://broadrouter.com/ur/guides/errors-and-retries/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [BroadNet Inference کا API ریفرنس: ٹرانسکرپشن درخواست اور {"text": ...} جواب، استعمال کے مطابق ادائیگی کی حدیں (2026-11-15 کو دیکھا گیا) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-arabic-subtitles-srt-api&utm_content=sources)
-   [Library of Congress، Sustainability of Digital Formats: SubRip (SRT) فارمیٹ کی تفصیل fdd000569 (2026-11-15 کو دیکھا گیا)](https://www.loc.gov/preservation/digital/formats/fdd/fdd000569.shtml)
-   [Netflix Partner Help Center، Arabic Timed Text Style Guide: فی لائن 42 حروف، پڑھنے کی رفتار کی حدیں (2026-11-15 کو دیکھا گیا)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215517947)
-   [Netflix Partner Help Center، Timed Text Style Guide: General Requirements، کم سے کم اور زیادہ سے زیادہ دورانیہ (2026-11-15 کو دیکھا گیا)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements)
-   [OpenAI API ریفرنس، create transcription: ماڈل کے لحاظ سے response\_format اور timestamp\_granularities (2026-11-15 کو دیکھا گیا)](https://developers.openai.com/api/reference/resources/audio/subresources/transcriptions/methods/create)
-   [OpenAI speech to text گائیڈ: timestamp\_granularities صرف whisper-1 پر، فرسودگی کی تاریخ (2026-11-15 کو دیکھا گیا)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI deprecations: whisper-1 اور gpt-4o transcribe ماڈلز 26 فروری 2027 کو بند؛ متبادل gpt-transcribe یا gpt-live-transcribe (2026-11-15 کو دیکھا گیا)](https://developers.openai.com/api/docs/deprecations)
-   [AssemblyAI API ریفرنس، Get subtitles: transcript subtitles اینڈپوائنٹ، SRT یا VTT فارمیٹ (2026-11-15 کو دیکھا گیا)](https://www.assemblyai.com/docs/api-reference/transcripts/get-subtitles)
-   [AssemblyAI، پہلے سے ریکارڈ شدہ آڈیو کے لیے معاون زبانیں (2026-11-15 کو دیکھا گیا)](https://www.assemblyai.com/docs/pre-recorded-audio/supported-languages)
-   [Speechmatics ڈاکس، batch آؤٹ پٹ فارمیٹس: format=srt اور srt\_overrides (2026-11-15 کو دیکھا گیا)](https://docs.speechmatics.com/speech-to-text/batch/output)
-   [Speechmatics ڈاکس، معاون زبانیں: عربی اور ar\_en دو لسانی پیک (2026-11-15 کو دیکھا گیا)](https://docs.speechmatics.com/speech-to-text/languages)
-   [Deepgram ڈاکس، WebVTT اور SRT کیپشنز خودکار طور پر بنانا (2026-11-15 کو دیکھا گیا)](https://developers.deepgram.com/docs/automatically-generating-webvtt-and-srt-captions)
-   [Deepgram ڈاکس، ماڈلز اور زبانوں کا جائزہ: Nova-3 پر عربی (2026-11-15 کو دیکھا گیا)](https://developers.deepgram.com/docs/models-languages-overview)
-   [ElevenLabs API ریفرنس، speech to text: timestamps\_granularity اور لفظ کا start/end (2026-11-15 کو دیکھا گیا)](https://elevenlabs.io/docs/api-reference/speech-to-text/convert)
-   [FFmpeg filters کی دستاویزات: silencedetect اور whisper filters (2026-11-15 کو دیکھا گیا)](https://ffmpeg.org/ffmpeg-filters.html)
