ملف الترجمة نص مفرّغ مرتبط بساعة. الحصول على النص هو النصف السهل؛ والأوقات هي النصف الصعب.
كيف يعمل
ملف SRT نص عادي. ولكل كتلة تسمية أربعة أجزاء:
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
يحدد وصف الصيغة لدى مكتبة الكونغرس شكل الوقت بأنه ساعات:دقائق:ثوانٍ,أجزاء من الألف، وبين البداية والنهاية “two hyphens (—) and a right-pointing angle bracket (>)” (ترجمة: شرطتان (—) وقوس زاوية متجه إلى اليمين (>))، وبعد كل كتلة سطر فارغ. ويصف SRT بأنه “a very simple text format, but not well standardized,” (ترجمة: صيغة نصية بسيطة جدًا، لكنها غير موحّدة المعايير جيدًا) وليس له معيار لترميز الحروف. والامتداد هو .srt.
وتبدو WebVTT، صيغة W3C لمسارات النص في فيديو HTML، شبه مطابقة. وتشترط المواصفة أن يكون السطر الأول WEBVTT، ونقطة قبل أجزاء الثانية (00:00:10.700)، وترميز UTF-8، ونوع الوسائط text/vtt. وحتى 15 نوفمبر 2026 هي مسودة توصية مرشّحة (Candidate Recommendation Draft) لدى W3C.
لماذا يهم
- التوقيت يأتي من الواجهة، أو منك. بعض واجهات تحويل الصوت إلى نص تُرجع طوابع زمنية للكلمات أو المقاطع، أو ملفًا جاهزًا. ويُدرج مرجع التفريغ الصوتي لدى OpenAI القيمتين
srtوvttضمن قيمresponse_format، لكنه يقول إن الصيغة تعتمد على النموذج، وإنgpt-4o-transcribeوgpt-4o-mini-transcribeلا يُرجعان إلاjson. - تخطيط النص العربي. لا تحتوي SRT على ترميز للاتجاه، فالمشغّل هو من يقرر كيف يُعرض النص من اليمين إلى اليسار وعلامات الترقيم. راجع النص من اليمين إلى اليسار.
- قواعد سهولة القراءة. طول السطر وعدد الأسطر في التسمية وسرعة القراءة تحددها أدلة الأسلوب، لا الصيغة.
في BroadNet Inference
تُرجع نقطة نهاية التفريغ الصوتي في BroadNet نصًا بلا طوابع زمنية، فلا يمكنها إنتاج SRT مباشرةً. والطريقة العملية، المختبرة في ترجمة عربية (SRT) من واجهة تحويل الصوت إلى نص:
- اعثر على فترات الصمت بمرشّح
silencedetectفي FFmpeg (أو بأداة VAD). - اقطع كل مقطع كلام، بحد أقصى نحو 12 ثانية، إلى WAV أحادي القناة بمعدل 16 kHz.
- فرّغ كل مقطع مع
language=arعلى BroadNet Transcribe Arabic. - استخدم بداية كل مقطع ونهايته أوقاتًا للتسميات، ووزّعها على الأسطر بنسبة طول النص.
- اكتب كتل SRT المرقّمة.
دقة حدود المقاطع بقدر دقة كشفك لفترات الصمت؛ أما الأوقات داخل المقطع فتقديرية. وهذا يناسب المحاضرات والبودكاست، لا الدراما المتزامنة مع حركة الشفاه. وللتوقيت الدقيق على مستوى الإطار، استخدم مزوّدًا يوثّق الطوابع الزمنية للكلمات. والمقاطع القصيرة تعني أيضًا طلبات أكثر، فانتبه إلى حد الدفع حسب الاستخدام البالغ 30 طلب في الدقيقة. وتكتب أداة تقسيم الصوت أوامر FFmpeg عنك.
أخطاء شائعة
- نقاط بدل الفواصل في أوقات SRT، أو العكس في WebVTT. كثير من المشغّلات ترفض الصيغة الخاطئة.
- غياب الأسطر الفارغة بين الكتل، ما يدمج التسميات.