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:
- 用 FFmpeg 的
silencedetect(或 VAD)找出停顿。 - 把每段语音切出来,每段最长约 12 秒,转成 16 kHz 单声道 WAV。
- 用 BroadNet Transcribe Arabic 加上
language=ar转写每一段。 - 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。
- 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。