---
title: "用语音转文字 API 生成阿拉伯语 SRT 字幕 | BroadRouter"
description: "SRT 文件需要什么、哪些语音转文字 API 能为阿拉伯语返回时间戳或 SRT，以及一条用纯文本 API 生成字幕、经过测试的流水线。"
url: https://broadrouter.com/zh/blog/arabic-subtitles-srt-api/
lang: zh-Hans
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/blog/arabic-subtitles-srt-api/)（2026-11-16 更新）。

# 用语音转文字 API 生成阿拉伯语 SRT 字幕：你需要知道什么

BroadNet Inference 团队 · 阅读约 7 分钟 · 发布于 2026-11-15 · 更新于 2026-11-16

SRT 文件需要文本，外加每条字幕的开始和结束时间。提供词级或分段时间戳、或能直接导出 SRT 的 API，时间轴最准。BroadNet Transcribe Arabic 只返回文本，所以要在停顿处切分音频、逐段转写，再根据分段偏移量给字幕定时。适合演讲和播客，不适合需要逐帧精确的影视字幕。

## 要点

-   SRT 是一份编号的字幕列表，每条带一行 hh:mm:ss,mmm --> hh:mm:ss,mmm。美国国会图书馆指出，它没有正式规范，也没有字符编码标准。
-   BroadNet 文档中的转写响应只有 {"text": ...}：没有时间戳、没有分段，也没有 SRT 输出。
-   OpenAI 只在 whisper-1 上提供 SRT 和词级时间戳，而它已列出 whisper-1 将于 2027 年 2 月 26 日停用。AssemblyAI 和 Speechmatics 的文档支持导出 SRT；Deepgram 和 ElevenLabs 的文档支持词级时间戳。
-   Netflix 的阿拉伯语指南规定，成人节目每行 42 个字符、最多两行、每秒最多 20 个字符；其通用指南规定每条字幕最长 7 秒。
-   分段级的时间轴，精度取决于你找到的停顿。在一个分段内部，字幕时间是根据文本长度估算的。

**本页内容**

1.  SRT 文件需要什么？
2.  阿拉伯语字幕一行应该多长？
3.  哪些语音转文字 API 的文档支持时间戳或 SRT？
4.  怎么用纯文本 API 做字幕？
5.  用 Python 实现流水线
6.  分段级时间轴有多准？
7.  成本多少，速度多快？
8.  BroadNet Inference 处在什么位置

字幕就是附带了时间的文本。阿拉伯语字幕流水线的大部分工作，都在于拿到这些时间。有些语音转文字 API 会以词级时间戳或现成的 SRT 文件的形式直接交给你。另一些，包括 BroadNet Inference，只返回转写文本。本文解释 SRT 文件需要什么、哪些服务商的文档支持时间戳，以及如何用纯文本 API 做出可用的阿拉伯语字幕，并把局限说清楚。

BroadRouter 是 BroadNet 自己的网站。如果你需要逐帧精确的时间轴，下文给出的诚实答案是选择支持词级时间戳的服务商，而不是 BroadNet。

## SRT 文件需要什么？

SRT（SubRip）文件是纯文本。每条字幕有四个部分：一个编号、一行时间、一到两行文本，以及一个空行。

```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
```

美国国会图书馆的格式说明给出的时间格式是“时:分:秒,毫秒”，箭头是两个连字符加一个右尖括号。它还说 SRT “not well standardized”（译文：标准化程度不高），并且 SRT 文件 “do not have a character encoding standard”（译文：没有字符编码标准）。对阿拉伯语来说，用 UTF-8 写入，并在目标播放器中测试。它在 Web 上的后继格式 WebVTT，在毫秒前用的是句点而不是逗号。

所以硬性要求是每条字幕都有开始和结束时间。只有文本是不够的。

## 阿拉伯语字幕一行应该多长？

用公开的风格指南，而不是凭感觉。Netflix 的阿拉伯语定时文本风格指南（变更日志日期为 2025-12-19）规定：

| 规则 | Netflix 的取值 |
| --- | --- |
| 每行字符数 | 42 |
| 每条字幕行数 | 最多两行 |
| 阅读速度，成人节目 | 每秒最多 20 个字符 |
| 阅读速度，儿童节目 | 每秒最多 17 个字符 |
| 换行 | 不要把动词和主语、介词和名词、数字和它所计数的事物拆到两行 |

Netflix 的通用要求还规定每条字幕最短六分之五秒、最长 7 秒。阿拉伯语指南还要求翻译字幕使用现代标准阿拉伯语。那是翻译规则；方言语音的转写仍保留方言。

这些数字可以直接变成代码：在 42 个字符处换行，每条字幕两行，超过每秒 20 个字符就发出警告，任何一条字幕的显示时间都不超过 7 秒。

## 哪些语音转文字 API 的文档支持时间戳或 SRT？

我们在 2026 年 11 月 15 日查阅了各服务商当时的文档。下表列出的是文档中提供的功能，不代表时间轴的准确度。

| 服务商 | 文档提供的功能 | 阿拉伯语 |
| --- | --- | --- |
| OpenAI | `response_format` 为 `srt`、`vtt` 或 `verbose_json`，以及词级或分段级的 `timestamp_granularities[]`，仅限 `whisper-1`。`gpt-4o-transcribe` 和 `gpt-4o-mini-transcribe` 只返回 `json` | 未查。OpenAI 的弃用页面将 `whisper-1`、`gpt-4o-transcribe`、`gpt-4o-mini-transcribe` 和 `gpt-4o-transcribe-diarize` 列为已弃用，均于 2027 年 2 月 26 日停用，并推荐改用 `gpt-transcribe` 或 `gpt-live-transcribe` |
| AssemblyAI | `GET /v2/transcript/{transcript_id}/srt` 或 `/vtt`，可设置 `chars_per_caption` | 阿拉伯语列在 Universal-2 中，属于其 10% 到 25% WER 区间 |
| Speechmatics | 转写接口上的 `format=srt`；`srt_overrides` 支持 `max_line_length` 和 `max_lines`；词条目带有 `start_time` 和 `end_time` | 阿拉伯语，以及 `ar_en` 阿拉伯语-英语双语包 |
| Deepgram | 词级和话语级时间戳；官方的 Python 和 JavaScript 字幕库可写出 SRT 和 WebVTT | Nova-3 支持阿拉伯语及各地区代码 |
| ElevenLabs | `timestamps_granularity` 为词或字符级；每个词带有以秒为单位的 `start` 和 `end` | 列出阿拉伯语，属于其 10% 到 20% WER 区间 |
| BroadNet Inference | 只有 `{"text": ...}` | 阿拉伯语专用模型和一个 14 种语言的模型 |

如果你能自己运行模型，基于 whisper.cpp 构建的 FFmpeg `whisper` 滤镜可以直接写出 `srt`，并有一个 `max_len` 选项用来缩短每行。

想先比较阿拉伯语的准确度和价格，请看[阿拉伯语语音转文字 API 选购指南](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)和[语音转文字价格对比](https://broadrouter.com/zh/blog/speech-to-text-api-pricing-compared/)。时间戳只是这个决策中的一项，而不是全部。

## 怎么用纯文本 API 做字幕？

你根据自己切分音频的位置来生成时间戳。步骤如下：

1.  **找出停顿。** FFmpeg 的 `silencedetect` 会在音量低于阈值并持续一定时间的地方，以秒为单位记录 `silence_start` 和 `silence_end`。
2.  **把停顿转换成语音片段。** 两段静音之间的部分就是一个片段。把片段上限设在约 12 秒，这样即使说话人从不停顿，也能产生短字幕。
3.  **逐个片段转写。** 把它切成 16 kHz 单声道 WAV，并带上 `language=ar` 发送。
4.  **给字幕定时。** 片段的开始和结束就是你的锚点时间。如果它的文本需要好几行，就按长度比例把片段的时间分配给这几行。
5.  **写出 SRT**，并按风格规则检查每行长度、阅读速度和显示时长。

这和[转写长音频文件](https://broadrouter.com/zh/blog/transcribe-long-audio-files-api/)用的是同一种切分方法，只是目标不同。在那里，每段约 10 分钟，你只关心拼接后的文本。在这里，每段只有几秒，因为每一段都会变成字幕时间。如果你更想手动切分，[音频切分工具](https://broadrouter.com/tools/audio-splitter-ffmpeg/)可以生成 FFmpeg 命令。

## 用 Python 实现流水线

这个脚本使用 OpenAI Python SDK 和 FFmpeg。我们在 2026 年 11 月 15 日用它测试了一个本地模拟服务器，该服务器按 BroadNet 文档中的接口格式（`{"text": ...}`）应答，测试文件是一个生成的、由音调和间隔组成的音频。上面的 SRT 就是它的输出。测试没有使用 BroadNet 密钥，所以阿拉伯语文本来自模拟服务器，而不是模型。

```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")
```

设置好 `BROADNET_API_KEY` 后运行：`python make_srt.py episode.wav episode.srt`。在测试文件上，停顿检测找到了 0 到 2.8 秒、3.6 到 7.6 秒、8.8 到 28.8 秒（因为没有停顿，在 12 秒处切开）以及 29.4 到 30.9 秒这几个片段，和文件的构造方式一致。输出能被 Python 的 `srt` 包正常解析，也能用 FFmpeg 转换成 WebVTT。

有两个值要根据你的音频调整。`noise` 是被视为静音的音量：干净的人声试试 -30 到 -40 dB，嘈杂的房间要更高。`min_silence` 是间隔必须持续的时长：0.3 到 0.5 秒能抓到句子之间的停顿，又不会在每次换气时都切开。

## 分段级时间轴有多准？

要清楚这个方法能做什么、不能做什么。

-   **片段边缘是最准的部分。** 落在真实停顿上的字幕开始和结束时间，准确度取决于静音检测。在我们的合成测试文件上它们完全吻合；带有呼吸声和房间噪声的真实录音会更复杂。
-   **片段内部的时间是估算的。** 当一个片段包含两到三条字幕时，脚本按字符数分配时间。说话人的语速并不恒定，所以这些内部边界可能偏差一秒或更多。
-   **固定切分可能切断词语。** 当一个片段超过 12 秒上限仍没有停顿时，切点落在哪里就是哪里。切点处的词可能丢失或变得含混。先尝试提高 `noise` 或降低 `min_silence`，让需要固定切分的片段更少。
-   **短分段给模型的上下文更少。** 一段 3 秒的片段里，每个词周围的词比一个 10 分钟的文件少。我们没有测量这对阿拉伯语准确度的影响有多大；请用 [WER](https://broadrouter.com/zh/blog/arabic-asr-wer-explained/) 在你自己的音频上测试。
-   **没有说话人标签。** BroadNet 不返回[说话人分离](https://broadrouter.com/zh/glossary/diarization/)结果，所以字幕不会标明是谁在说话。
-   **音乐和噪声。** 背景音乐可能完全掩盖停顿。那样的话大多数片段都是固定切分，时间轴也会变差。

对于讲座、播客、网络研讨会和培训视频，与语音相差一秒以内的字幕通常都能正常阅读。对于剧集、音乐视频或任何需要口型同步的内容，请使用支持词级[时间戳](https://broadrouter.com/zh/glossary/timestamps-asr/)的服务商，或者请字幕师调整文件。

## 成本多少，速度多快？

价格取决于音频时长。在 BroadNet Transcribe Arabic 上，一小时阿拉伯语音频的费用是 $0.25，无论你作为一个文件发送，还是作为 720 个 5 秒的文件发送。BroadNet 的价格页面列出的是按音频分钟计价，没有单文件最低收费；第一集处理完后查看用量页面确认一下。

速度取决于请求数。按量付费密钥允许每分钟 30 个请求、同时 4 个。一小时的语音切成 5 秒的片段约为 720 个请求，至少需要 720 ÷ 30 分钟。片段越长，请求越少。如果碰到 429，就按[错误与重试指南](https://broadrouter.com/zh/guides/errors-and-retries/)退避，也不要把一个任务分散到多个密钥上来绕过公布的限制。

## BroadNet Inference 处在什么位置

BroadNet Transcribe Arabic 适合字幕任务中文本的那一半：把阿拉伯语语音转成阿拉伯语文本，每分钟 $0.0042，请求结束后不保留音频和转写文本。$5 初始额度覆盖转写，所以你可以在充值之前用真实的节目测试这条流水线。它不返回时间戳、分段、说话人标签或 SRT。如果你的字幕需要词级时间轴，请使用文档中支持该功能的服务商，或者用强制对齐工具把 BroadNet 的文本与音频对齐。请求格式和限制见 [BroadNet API 参考](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-arabic-subtitles-srt-api&utm_content=body)，配置方法见[阿拉伯语语音转文字指南](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)。

相关免费工具（英文）

-   [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.

[免费工具（英文）](https://broadrouter.com/tools/)

## 本文涉及的术语

[SRT 字幕（SRT subtitles）](https://broadrouter.com/zh/glossary/srt-subtitles/)

SRT（SubRip）是一种纯文本字幕格式。每条字幕由序号、写成 hh:mm:ss,mmm --> hh:mm:ss,mmm 的开始和结束时间、一行或多行文字，以及一个空行组成。WebVTT 是 HTML 视频使用的类似网页格式。

[按量付费（pay-as-you-go）](https://broadrouter.com/zh/glossary/pay-as-you-go/)

按量付费是一种计价模式：你只为实际用量付费，按 token、请求次数或音频分钟等单位计量，没有订阅费，也没有最低消费承诺。大多数大模型 API 都这样计费，从预付余额中扣减或定期开具账单。

[词错误率（WER，word error rate）](https://broadrouter.com/zh/glossary/word-error-rate/)

词错误率（WER）是语音识别的标准准确率指标：把转写结果改成正确参考文本所需的替换、删除和插入词数，除以参考文本的词数。数值越低越好。

[说话人分离（speaker diarization）](https://broadrouter.com/zh/glossary/diarization/)

说话人分离是把一段录音按说话人切分成片段的任务，回答“谁在何时说话”。它给每段语音打上 SPEAKER\_00 这样的匿名说话人标签，通常与转写文本结合，显示每句话是谁说的。

[时间戳（语音转文字，timestamps）](https://broadrouter.com/zh/glossary/timestamps-asr/)

语音转文字中的时间戳，是附在转写片段上的开始和结束时间，单位为秒。片段级时间戳覆盖一个短语或句子，词级时间戳覆盖每个词。制作字幕、在录音中搜索以及把文字与说话人对齐都需要它。

[速率限制（rate limit）](https://broadrouter.com/zh/glossary/rate-limit/)

速率限制是 API 对客户端在一个时间窗口内的使用量设定的上限，例如每分钟请求数或每分钟 token 数。超出限制的请求会被拒绝，通常返回 HTTP 429 Too Many Requests，直到用量回落到限制以下。

[现代标准阿拉伯语（MSA）](https://broadrouter.com/zh/glossary/msa/)

现代标准阿拉伯语（MSA）是阿拉伯世界在书面、新闻、教育和正式讲话中使用的标准化阿拉伯语。它不是任何人日常使用的母语：人们平时说埃及阿拉伯语、海湾阿拉伯语等地区方言，在正式场合才切换到 MSA。

[并发（concurrency）](https://broadrouter.com/zh/glossary/concurrency/)

并发（concurrency）是客户端在同一时刻正在进行中的请求数。大模型 API 往往按密钥或套餐单独限制并发，与每分钟请求数分开计算，因为每个未完成的请求在响应结束前都会占用 GPU 资源。

## 常见问题

### 能直接从 BroadNet 的转写 API 拿到 SRT 文件吗？

不能。BroadNet 的文档显示响应是只有一个 text 字段的 JSON，没有 SRT、VTT 或时间戳选项。它的 /v1/models 元数据（2026-11-15 查阅）列出了 json、text 和 verbose\_json 三种响应格式，但没有任何来源说明 verbose\_json 带有时间戳。请像本文这样根据分段偏移量自己生成时间轴，或使用文档中支持时间戳的服务商。

### 哪些语音转文字 API 能为阿拉伯语导出 SRT？

在我们于 2026 年 11 月 15 日查阅的服务商中，AssemblyAI（字幕接口，Universal-2 支持阿拉伯语）和 Speechmatics（format=srt，支持阿拉伯语及阿拉伯语-英语双语包）的文档支持导出 SRT。OpenAI 在 whisper-1 上支持 SRT，但该模型已被弃用。Deepgram 的文档提供了基于其时间戳的字幕库。

### 阿拉伯语字幕每行应该多少个字符？

Netflix 的阿拉伯语定时文本风格指南规定每行 42 个字符，最多两行。成人节目的阅读速度上限是每秒 20 个字符，儿童节目是 17 个。

### 按音频分段定时的字幕有多准？

每个分段的开始和结束时间，准确度取决于停顿检测，所以要用你的音频来调参。分段内部的字幕时间是根据文本长度估算的，可能偏差一秒或更多。这适合演讲和播客，不适合需要口型同步的剧集。

### 为什么我的阿拉伯语 SRT 里标点跑到了错误的一侧？

SRT 没有文字方向标记，所以如何排列从右到左的文本由播放器决定。在你的观众使用的播放器里测试这个文件。如果标点位置不对，可以试试样式更丰富的格式，或者播放器中针对 RTL 文本的设置。

### 把音频切成很短的分段会更贵吗？

BroadNet 按音频分钟数计费，所以音频总量不变，费用也一样。但请求会更多：短分段会更快碰到按量付费每分钟 30 个请求的限制。第一次运行后查看用量页面，确认计费情况。

## 继续阅读

-   [转写超过 25 MB 的长音频：切分、发送、拼接](https://broadrouter.com/zh/blog/transcribe-long-audio-files-api/)
-   [阿拉伯语语音转文字 API：2026 年怎么选](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Whisper API 替代方案：什么时候该换，怎么测试](https://broadrouter.com/zh/blog/whisper-api-alternative/)
-   [用 API 把阿拉伯语会议录音生成会议纪要](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)
-   [语音转文字 API 价格对比：2026 年每分钟多少钱](https://broadrouter.com/zh/blog/speech-to-text-api-pricing-compared/)
-   [用大模型给阿拉伯语加注音符号：提示词、校验与 DER](https://broadrouter.com/zh/blog/arabic-diacritization-llm/)
-   [用大模型做阿拉伯语语法和拼写纠错：实操指南](https://broadrouter.com/zh/blog/arabic-grammar-spelling-correction-llm/)
-   [指南：阿拉伯语语音转文字 API 分步教程](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)
-   [指南：BroadNet Inference 错误码，以及什么时候该重试](https://broadrouter.com/zh/guides/errors-and-retries/)

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

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

**来源**

-   [BroadNet Inference API 参考：转写请求与 {"text": ...} 响应、按量付费限制（2026-11-15 查阅）（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-arabic-subtitles-srt-api&utm_content=sources)
-   [美国国会图书馆 Sustainability of Digital Formats：SubRip（SRT）格式说明 fdd000569（2026-11-15 查阅）](https://www.loc.gov/preservation/digital/formats/fdd/fdd000569.shtml)
-   [Netflix 合作伙伴帮助中心，阿拉伯语定时文本风格指南：每行 42 个字符、阅读速度限制（2026-11-15 查阅）](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215517947)
-   [Netflix 合作伙伴帮助中心，定时文本风格指南：通用要求，最短和最长时长（2026-11-15 查阅）](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements)
-   [OpenAI API 参考，创建转写：各模型的 response\_format 和 timestamp\_granularities（2026-11-15 查阅）](https://developers.openai.com/api/reference/resources/audio/subresources/transcriptions/methods/create)
-   [OpenAI 语音转文字指南：timestamp\_granularities 仅限 whisper-1，弃用日期（2026-11-15 查阅）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI 弃用公告：whisper-1 和 gpt-4o 转写模型于 2027 年 2 月 26 日停用；替代模型 gpt-transcribe 或 gpt-live-transcribe（2026-11-15 查阅）](https://developers.openai.com/api/docs/deprecations)
-   [AssemblyAI API 参考，Get subtitles：转写字幕接口，SRT 或 VTT 格式（2026-11-15 查阅）](https://www.assemblyai.com/docs/api-reference/transcripts/get-subtitles)
-   [AssemblyAI：预录音频支持的语言（2026-11-15 查阅）](https://www.assemblyai.com/docs/pre-recorded-audio/supported-languages)
-   [Speechmatics 文档，批量输出格式：format=srt 和 srt\_overrides（2026-11-15 查阅）](https://docs.speechmatics.com/speech-to-text/batch/output)
-   [Speechmatics 文档，支持的语言：阿拉伯语及 ar\_en 双语包（2026-11-15 查阅）](https://docs.speechmatics.com/speech-to-text/languages)
-   [Deepgram 文档：自动生成 WebVTT 和 SRT 字幕（2026-11-15 查阅）](https://developers.deepgram.com/docs/automatically-generating-webvtt-and-srt-captions)
-   [Deepgram 文档，模型与语言概览：Nova-3 上的阿拉伯语（2026-11-15 查阅）](https://developers.deepgram.com/docs/models-languages-overview)
-   [ElevenLabs API 参考，语音转文字：timestamps\_granularity 与词的 start/end（2026-11-15 查阅）](https://elevenlabs.io/docs/api-reference/speech-to-text/convert)
-   [FFmpeg 滤镜文档：silencedetect 和 whisper 滤镜（2026-11-15 查阅）](https://ffmpeg.org/ffmpeg-filters.html)
