BroadRouter

SRT 字幕(SRT subtitles)

更新于

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。

又称: SRT、SRT 文件、SRT 字幕文件、字幕文件、字幕时间轴、SubRip、WebVTT、VTT 字幕、SRT file、subtitle file

字幕文件就是附带时钟的转写稿。拿到文字是容易的一半,时间才是难的一半。

工作原理

SRT 文件是纯文本。每个字幕块有四部分:

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

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,开始和结束时间之间用 “two hyphens (—) and a right-pointing angle bracket (>)“(译文:两个连字符(—)和一个向右的尖括号(>))连接,每个块之后有一个空行。它称 SRT 为 “a very simple text format, but not well standardized,“(译文:一种非常简单的文本格式,但标准化程度不高),没有字符编码标准。扩展名是 .srt。

WebVTT 是 W3C 为 HTML 视频文本轨道制定的格式,看起来几乎一样。规范要求第一行为 WEBVTT,毫秒前用句点(00:00:10.700),使用 UTF-8 编码和 text/vtt 媒体类型。截至 2026 年 11 月 15 日,它是 W3C 候选推荐标准草案。

为什么重要

  • 时间来自 API,或者来自你自己。 有些语音转文字 API 会返回词级或片段级时间戳,或者直接给出成品文件。OpenAI 的转写参考文档把 srt 和 vtt 列为 response_format 的取值,但说明格式取决于模型,gpt-4o-transcribe 和 gpt-4o-mini-transcribe 只返回 json。
  • 阿拉伯语排版。 SRT 没有方向标记,所以从右到左的文字和标点怎么显示,由播放器决定。参见从右到左文本。
  • 可读性规则。 每行长度、每条字幕的行数和阅读速度由字幕风格指南规定,而不是由格式规定。

在 BroadNet Inference 上

BroadNet 的转写端点返回不带时间戳的文本,因此不能直接生成 SRT。可行的做法已在用语音转文字 API 生成阿拉伯语字幕(SRT)中测试过:

  1. 用 FFmpeg 的 silencedetect(或 VAD)找出停顿。
  2. 把每段语音切出来,每段最长约 12 秒,转成 16 kHz 单声道 WAV。
  3. 用 BroadNet Transcribe Arabic 加上 language=ar 转写每一段。
  4. 用每段的开始和结束时间作为字幕时间,按文字长度比例分配给各行。
  5. 写出带编号的 SRT 块。

分段边界的精度取决于你的停顿检测;段内的时间是估算值。这适合演讲和播客,不适合需要口型同步的剧集。如需精确到帧的时间,请选用文档中提供词级时间戳的服务商。分段越短,请求越多,所以要留意按量付费每分钟 30 个请求的限制。音频切分工具可以帮你生成 FFmpeg 命令。

常见错误

  • SRT 时间里用了句点而不是逗号,或者 WebVTT 里反过来。很多播放器会拒绝错误的写法。
  • 块之间缺少空行,导致字幕被合并。

常见问题

SRT 和 WebVTT 有什么区别?

WebVTT 文件以 WEBVTT 这一行开头,毫秒前用句点(00:00:10.700),必须是 UTF-8,媒体类型为 text/vtt。SRT 用逗号(00:00:10,700),而且据美国国会图书馆说,没有字符编码标准。

BroadNet 能直接返回 SRT 文件吗?

不能。BroadNet 文档中的转写响应是只有一个 text 字段的 JSON,没有时间戳。字幕时间需要你自己生成,例如根据音频分段的偏移量。

阿拉伯语 SRT 文件该用什么编码?

用 UTF-8,并在你的受众使用的播放器里测试。SRT 没有编码标准,一些旧工具会根据字节猜测编码。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity