File phụ đề là một bản phiên âm có gắn đồng hồ. Lấy được chữ là nửa dễ; canh thời gian là nửa khó.
Cách hoạt động
File SRT là văn bản thuần. Mỗi khối phụ đề có bốn phần:
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
Mô tả định dạng của Thư viện Quốc hội Hoa Kỳ ghi định dạng thời gian là giờ:phút:giây,mili giây, với “two hyphens (—) and a right-pointing angle bracket (>)” (Bản dịch: hai dấu gạch nối (—) và một dấu ngoặc nhọn chỉ sang phải (>)) giữa thời điểm bắt đầu và kết thúc, cùng một dòng trống sau mỗi khối. Tài liệu gọi SRT là “a very simple text format, but not well standardized,” (Bản dịch: một định dạng văn bản rất đơn giản nhưng không được chuẩn hóa tốt) và không có chuẩn mã hóa ký tự. Phần mở rộng là .srt.
WebVTT, định dạng của W3C cho text track của video HTML, trông gần như giống hệt. Đặc tả yêu cầu dòng đầu là WEBVTT, dấu chấm trước phần mili giây (00:00:10.700), mã hóa UTF-8 và media type text/vtt. Tính đến ngày 15 tháng 11 năm 2026, đây là bản nháp Candidate Recommendation của W3C.
Vì sao quan trọng
- Thời gian đến từ API, hoặc từ bạn. Một số API speech-to-text trả về timestamp theo từ hoặc theo đoạn, hoặc trả luôn file hoàn chỉnh. Tài liệu phiên âm của OpenAI liệt kê
srtvàvtttrong các giá trịresponse_format, nhưng nói định dạng phụ thuộc vào model vàgpt-4o-transcribecùnggpt-4o-mini-transcribechỉ trả vềjson. - Bố cục tiếng Ả Rập. SRT không có markup chỉ hướng, nên trình phát quyết định cách hiển thị văn bản phải sang trái và dấu câu. Xem văn bản RTL.
- Quy tắc dễ đọc. Độ dài dòng, số dòng mỗi phụ đề và tốc độ đọc do style guide quy định, không phải do định dạng.
Trên BroadNet Inference
Endpoint phiên âm của BroadNet trả văn bản không kèm timestamp, nên không tạo SRT trực tiếp được. Cách làm khả thi, đã thử trong phụ đề tiếng Ả Rập (SRT) từ API speech-to-text:
- Tìm các khoảng lặng bằng
silencedetectcủa FFmpeg (hoặc một VAD). - Cắt từng đoạn có lời nói, tối đa khoảng 12 giây, thành WAV 16 kHz mono.
- Phiên âm từng đoạn với
language=artrên BroadNet Transcribe Arabic. - Dùng thời điểm bắt đầu và kết thúc của mỗi đoạn làm thời gian phụ đề, chia cho các dòng theo tỷ lệ độ dài chữ.
- Ghi các khối SRT đã đánh số.
Biên của mỗi đoạn chính xác tới đâu là tùy vào khâu phát hiện khoảng lặng; thời gian bên trong một đoạn chỉ là ước lượng. Cách này hợp với bài nói và podcast, không hợp với phim cần khớp khẩu hình. Nếu cần thời gian chính xác tới từng khung hình, hãy dùng nhà cung cấp có tài liệu về timestamp theo từ. Đoạn ngắn cũng đồng nghĩa với nhiều request hơn, nên hãy để ý giới hạn trả theo mức dùng là 30 request mỗi phút. Công cụ cắt audio sẽ viết sẵn các lệnh FFmpeg.
Lỗi thường gặp
- Dùng dấu chấm thay cho dấu phẩy trong thời gian SRT, hoặc ngược lại với WebVTT. Nhiều trình phát từ chối định dạng sai.
- Thiếu dòng trống giữa các khối, khiến các phụ đề bị gộp lại.