Phụ đề là văn bản có gắn thời gian. Phần lớn công sức trong một pipeline phụ đề tiếng Ả Rập là lấy được các mốc thời gian đó. Một số API chuyển giọng nói thành văn bản đưa sẵn cho bạn dưới dạng timestamp theo từ hoặc một file SRT hoàn chỉnh. Số khác, trong đó có BroadNet Inference, chỉ trả về văn bản chép lời. Bài này giải thích file SRT cần gì, nhà cung cấp nào có ghi timestamp trong tài liệu, và cách làm phụ đề tiếng Ả Rập dùng được từ một API chỉ trả văn bản, với các giới hạn được nói rõ.
BroadRouter là website của chính BroadNet. Nếu bạn cần căn thời gian chính xác đến từng khung hình, câu trả lời trung thực dưới đây là một nhà cung cấp có timestamp theo từ, không phải BroadNet.
File SRT cần những gì?
File SRT (SubRip) là văn bản thuần. Mỗi phụ đề có bốn phần: một số thứ tự, một dòng thời gian, một hoặc hai dòng văn bản, và một dòng trống.
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
Mô tả định dạng của Thư viện Quốc hội Mỹ cho biết định dạng thời gian là giờ:phút:giây,mili giây và mũi tên gồm hai dấu gạch ngang và một dấu ngoặc nhọn phải. Mô tả cũng nói SRT “not well standardized” (bản dịch: không được chuẩn hóa tốt) và file SRT “do not have a character encoding standard” (bản dịch: không có chuẩn mã hóa ký tự). Với tiếng Ả Rập, hãy ghi UTF-8 và test trên trình phát mục tiêu. WebVTT, định dạng kế nhiệm cho web, dùng dấu chấm thay cho dấu phẩy trước phần mili giây.
Vậy yêu cầu bắt buộc là thời điểm bắt đầu và kết thúc cho mỗi phụ đề. Chỉ có văn bản là không đủ.
Một dòng phụ đề tiếng Ả Rập nên dài bao nhiêu?
Hãy dùng một hướng dẫn văn phong đã công bố thay vì đoán. Arabic Timed Text Style Guide của Netflix (nhật ký thay đổi ghi ngày 2025-12-19) quy định:
| Quy tắc | Giá trị của Netflix |
|---|---|
| Ký tự mỗi dòng | 42 |
| Số dòng mỗi phụ đề | Tối đa hai |
| Tốc độ đọc, chương trình người lớn | Tối đa 20 ký tự mỗi giây |
| Tốc độ đọc, chương trình thiếu nhi | Tối đa 17 ký tự mỗi giây |
| Ngắt dòng | Không tách động từ khỏi chủ ngữ, giới từ khỏi danh từ, hay con số khỏi thứ nó đếm |
Yêu cầu chung của Netflix bổ sung mức tối thiểu năm phần sáu giây và tối đa 7 giây cho mỗi phụ đề. Hướng dẫn tiếng Ả Rập cũng yêu cầu tiếng Ả Rập chuẩn hiện đại trong phụ đề dịch. Đó là quy tắc dịch thuật; bản chép lời của lời nói phương ngữ vẫn giữ phương ngữ.
Những con số này biến thành code: ngắt dòng ở 42 ký tự, hai dòng mỗi phụ đề, cảnh báo khi vượt 20 ký tự mỗi giây, và không bao giờ giữ một phụ đề quá 7 giây.
API chuyển giọng nói thành văn bản nào có ghi timestamp hoặc SRT?
Chúng tôi đọc tài liệu hiện hành của từng nhà cung cấp vào ngày 15/11/2026. Bảng này liệt kê những gì họ ghi trong tài liệu, không phải độ chính xác của phần căn thời gian.
| Nhà cung cấp | Tài liệu cung cấp gì | Tiếng Ả Rập |
|---|---|---|
| OpenAI | response_format srt, vtt hoặc verbose_json, và timestamp_granularities[] theo từ hoặc theo đoạn, chỉ trên whisper-1. gpt-4o-transcribe và gpt-4o-mini-transcribe chỉ trả json |
Chưa kiểm tra. Trang ngừng hỗ trợ của OpenAI liệt kê whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe và gpt-4o-transcribe-diarize là đã ngừng hỗ trợ, tất cả sẽ tắt vào ngày 26/2/2027, và khuyên dùng gpt-transcribe hoặc gpt-live-transcribe thay thế |
| AssemblyAI | GET /v2/transcript/{transcript_id}/srt hoặc /vtt, với chars_per_caption |
Tiếng Ả Rập có trên Universal-2, trong nhóm WER 10 đến 25% |
| Speechmatics | format=srt trên endpoint transcript; srt_overrides với max_line_length và max_lines; mỗi từ có start_time và end_time |
Tiếng Ả Rập, cùng gói Ả Rập–Anh ar_en |
| Deepgram | Timestamp theo từ và theo lượt nói; thư viện phụ đề Python và JavaScript chính thức ghi ra SRT và WebVTT | Tiếng Ả Rập và các mã vùng trên Nova-3 |
| ElevenLabs | timestamps_granularity theo từ hoặc ký tự; mỗi từ có start và end tính bằng giây |
Có tiếng Ả Rập, trong nhóm WER 10 đến 20% |
| BroadNet Inference | Chỉ {"text": ...} |
Model riêng cho tiếng Ả Rập và một model 14 ngôn ngữ |
Nếu bạn tự chạy được model, bộ lọc whisper của FFmpeg, build cùng whisper.cpp, có thể ghi thẳng ra srt và có tùy chọn max_len để rút ngắn dòng.
Để so sánh bước đầu về độ chính xác tiếng Ả Rập và giá, xem hướng dẫn chọn mua API chuyển giọng nói tiếng Ả Rập và so sánh giá API chuyển giọng nói thành văn bản. Timestamp là một dòng trong quyết định đó, không phải dòng duy nhất.
Làm phụ đề từ API chỉ trả văn bản thế nào?
Bạn tự tạo timestamp từ chỗ bạn cắt âm thanh. Các bước:
- Tìm chỗ ngắt.
silencedetectcủa FFmpeg ghisilence_startvàsilence_endtính bằng giây ở mọi chỗ âm lượng nằm dưới ngưỡng trong một khoảng thời gian tối thiểu. - Biến chỗ ngắt thành đoạn lời nói. Mọi thứ giữa hai khoảng lặng là một đoạn. Giới hạn mỗi đoạn khoảng 12 giây, để người nói không ngừng nghỉ vẫn cho ra phụ đề ngắn.
- Chép lời từng đoạn. Cắt đoạn thành WAV 16 kHz mono và gửi kèm
language=ar. - Căn thời gian cho phụ đề. Điểm đầu và cuối của đoạn là mốc thời gian neo. Nếu văn bản cần nhiều dòng, chia thời gian của đoạn cho các dòng theo tỷ lệ độ dài.
- Ghi SRT và kiểm tra độ dài dòng, tốc độ đọc và thời lượng theo các quy tắc văn phong.
Đây là cách cắt giống như trong chép lời file âm thanh dài, nhưng với mục tiêu khác. Ở đó, mỗi đoạn dài khoảng 10 phút và bạn chỉ quan tâm văn bản đã ghép. Ở đây, mỗi đoạn chỉ dài vài giây vì mỗi đoạn trở thành mốc thời gian phụ đề. Công cụ cắt âm thanh tạo sẵn lệnh FFmpeg nếu bạn muốn tự cắt.
Pipeline bằng Python
Script này dùng OpenAI Python SDK và FFmpeg. Chúng tôi chạy nó ngày 15/11/2026 với một mock server cục bộ trả lời giống endpoint trong tài liệu BroadNet ({"text": ...}), trên một file test được tạo từ các âm báo và khoảng lặng. File SRT ở trên là output của nó. Không dùng key BroadNet nào, nên văn bản tiếng Ả Rập đến từ mock, không phải từ model.
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")
Chạy với BROADNET_API_KEY đã đặt: python make_srt.py episode.wav episode.srt. Trên file test, bước phát hiện chỗ ngắt tìm ra các đoạn 0 đến 2,8 giây, 3,6 đến 7,6 giây, 8,8 đến 28,8 giây (cắt ở mốc 12 giây vì không có chỗ ngắt) và 29,4 đến 30,9 giây, khớp với cách file được tạo. Output được package srt của Python parse gọn gàng và FFmpeg chuyển sang WebVTT được.
Hãy tinh chỉnh hai giá trị theo âm thanh của bạn. noise là mức âm lượng được coi là im lặng: thử -30 đến -40 dB cho giọng nói sạch và cao hơn cho phòng ồn. min_silence là độ dài tối thiểu của khoảng lặng: 0,3 đến 0,5 giây bắt được chỗ ngắt giữa các câu mà không cắt ở mỗi lần lấy hơi.
Căn thời gian theo đoạn chính xác đến đâu?
Hãy rõ ràng về những gì phương pháp này làm được và không làm được.
- Mép đoạn là phần tốt nhất. Điểm đầu và cuối phụ đề rơi đúng vào chỗ ngắt thật thì chính xác bằng việc phát hiện khoảng lặng. Trên file test tổng hợp của chúng tôi, chúng khớp chính xác; bản ghi thật có tiếng thở và tiếng ồn phòng thì lộn xộn hơn.
- Thời gian bên trong đoạn là ước tính. Khi một đoạn chứa hai hay ba phụ đề, script chia thời gian theo số ký tự. Người nói không nói với tốc độ đều, nên các mốc bên trong có thể lệch một giây hoặc hơn.
- Cắt cố định có thể cắt đôi từ. Khi một đoạn vượt mức 12 giây mà không có chỗ ngắt, nhát cắt rơi vào đâu thì rơi. Từ ở chỗ cắt có thể bị mất hoặc méo. Hãy tăng
noisehoặc giảmmin_silencetrước, để ít đoạn phải cắt cố định hơn. - Đoạn ngắn cho model ít ngữ cảnh hơn. Một clip 3 giây có ít từ xung quanh mỗi từ hơn một file 10 phút. Chúng tôi chưa đo điều này ảnh hưởng độ chính xác tiếng Ả Rập bao nhiêu; hãy test trên âm thanh của bạn bằng WER.
- Không có nhãn người nói. BroadNet không trả về diarization, nên phụ đề không cho biết ai đang nói.
- Nhạc và tiếng ồn. Nhạc nền có thể che hết các chỗ ngắt. Khi đó phần lớn đoạn là cắt cố định, và căn thời gian kém đi.
Với bài giảng, podcast, webinar và video đào tạo, phụ đề lệch dưới một giây so với lời nói thường vẫn dễ đọc. Với phim truyền hình, video ca nhạc hay bất cứ thứ gì cần khớp khẩu hình, hãy dùng nhà cung cấp có timestamp theo từ hoặc nhờ người làm phụ đề chỉnh lại file.
Chi phí bao nhiêu, và nhanh đến đâu?
Giá đi theo độ dài âm thanh. Một giờ tiếng Ả Rập trên BroadNet Transcribe Arabic tốn $0.25, dù bạn gửi một file hay 720 file dài năm giây. Trang bảng giá của BroadNet ghi giá theo phút âm thanh và không có mức tối thiểu mỗi file; hãy xem trang mức sử dụng sau tập đầu tiên để xác nhận.
Tốc độ đi theo số request. Key trả theo mức dùng cho phép 30 request mỗi phút và 4 request đồng thời. Một giờ lời nói cắt thành đoạn 5 giây là khoảng 720 request, mất ít nhất 720 ÷ 30 phút. Đoạn dài hơn thì ít request hơn. Nếu gặp 429, hãy backoff như trong hướng dẫn lỗi và retry, và đừng chia một job qua nhiều key để lách các giới hạn đã công bố.
BroadNet Inference phù hợp ở đâu
BroadNet Transcribe Arabic hợp với nửa văn bản của một job phụ đề: chuyển lời nói tiếng Ả Rập thành văn bản tiếng Ả Rập với giá $0.0042 mỗi phút, không lưu giữ âm thanh và bản chép lời sau request. Tín dụng ban đầu $5 dùng được cho việc chép lời, nên bạn có thể test pipeline trên các tập thật trước khi nạp tiền. Dịch vụ không trả về timestamp, phân đoạn, nhãn người nói hay SRT. Nếu phụ đề của bạn cần căn thời gian theo từ, hãy dùng nhà cung cấp có ghi điều đó trong tài liệu, hoặc căn văn bản của BroadNet với âm thanh bằng một công cụ forced alignment. Cấu trúc request và giới hạn có trong tài liệu tham chiếu API BroadNet, và cách cài đặt có trong hướng dẫn chuyển giọng nói tiếng Ả Rập thành văn bản.
