BroadRouter

Subtítulos en árabe (SRT) desde una API de voz a texto: qué necesita

Por el equipo de BroadNet Inference · 7 min de lectura · Publicado · Actualizado

Un archivo SRT necesita texto más una hora de inicio y fin para cada subtítulo. Las APIs con marcas de tiempo por palabra o segmento, o con exportación directa a SRT, dan el mejor tiempo. BroadNet Transcribe Arabic devuelve solo texto, así que divida el audio en las pausas, transcriba cada fragmento y calcule los tiempos a partir de sus desfases. Sirve para charlas y podcasts, no para subtítulos de cine con precisión de fotograma.

Los subtítulos son texto con tiempos asociados. La mayor parte del trabajo en un pipeline de subtítulos en árabe es obtener esos tiempos. Algunas APIs de voz a texto se los entregan como marcas de tiempo por palabra o como un archivo SRT terminado. Otras, incluida BroadNet Inference, devuelven solo el texto de la transcripción. Este artículo explica qué necesita un archivo SRT, qué proveedores documentan marcas de tiempo y cómo crear subtítulos en árabe utilizables con una API solo de texto, con los límites expuestos con claridad.

BroadRouter es el sitio de BroadNet. Si necesita tiempos con precisión de fotograma, la respuesta honesta, más abajo, es un proveedor con marcas de tiempo por palabra, no BroadNet.

¿Qué necesita un archivo SRT?

Un archivo SRT (SubRip) es texto plano. Cada subtítulo tiene cuatro partes: un número, una línea de tiempo, una o dos líneas de texto y una línea en blanco.

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

La descripción del formato de la Biblioteca del Congreso da el formato de tiempo como horas:minutos:segundos,milisegundos y la flecha como dos guiones y un signo “mayor que”. También dice que SRT “not well standardized” (Traducción: no está bien estandarizado) y que los archivos SRT “do not have a character encoding standard” (Traducción: no tienen un estándar de codificación de caracteres). Para árabe, escriba en UTF-8 y pruebe en su reproductor de destino. WebVTT, su sucesor en la web, usa un punto en lugar de la coma antes de los milisegundos.

Así que el requisito estricto es una hora de inicio y de fin para cada subtítulo. El texto solo no basta.

¿Qué longitud debe tener una línea de subtítulo en árabe?

Use una guía de estilo publicada en lugar de adivinar. La guía de estilo de texto temporizado en árabe de Netflix (registro de cambios con fecha 2025-12-19) fija:

Regla Valor de Netflix
Caracteres por línea 42
Líneas por subtítulo Dos como máximo
Velocidad de lectura, programas para adultos Hasta 20 caracteres por segundo
Velocidad de lectura, programas infantiles Hasta 17 caracteres por segundo
Saltos de línea No separe un verbo de su sujeto, una preposición de su sustantivo ni un número de lo que cuenta

Los requisitos generales de Netflix añaden un mínimo de cinco sextos de segundo y un máximo de 7 segundos por subtítulo. La guía árabe también pide árabe estándar moderno en los subtítulos traducidos. Esa es una regla de traducción; la transcripción de habla dialectal se queda en dialecto.

Esas cifras se traducen en código: cortar líneas a 42 caracteres, dos líneas por subtítulo, avisar por encima de 20 caracteres por segundo y no mantener nunca un subtítulo más de 7 segundos.

¿Qué APIs de voz a texto documentan marcas de tiempo o SRT?

Leímos la documentación actual de cada proveedor el 15 de noviembre de 2026. Esto lista lo que documentan, no qué tan preciso es el tiempo.

Proveedor Qué ofrece la documentación Árabe
OpenAI response_format srt, vtt o verbose_json, y timestamp_granularities[] por palabra o segmento, solo en whisper-1. gpt-4o-transcribe y gpt-4o-mini-transcribe devuelven solo json No verificado. La página de retiradas de OpenAI lista whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe y gpt-4o-transcribe-diarize como en retirada, todos con cierre el 26 de febrero de 2027, y recomienda gpt-transcribe o gpt-live-transcribe en su lugar
AssemblyAI GET /v2/transcript/{transcript_id}/srt o /vtt, con chars_per_caption Árabe listado en Universal-2, en su franja de WER del 10 al 25 %
Speechmatics format=srt en el endpoint de transcripción; srt_overrides con max_line_length y max_lines; los elementos de palabra llevan start_time y end_time Árabe, más un paquete ar_en árabe-inglés
Deepgram Marcas de tiempo por palabra y por enunciado; bibliotecas oficiales de subtítulos en Python y JavaScript que escriben SRT y WebVTT Árabe y códigos regionales en Nova-3
ElevenLabs timestamps_granularity por palabra o carácter; cada palabra tiene start y end en segundos Árabe listado, en su franja de WER del 10 al 20 %
BroadNet Inference Solo {"text": ...} Modelo específico para árabe y un modelo de 14 idiomas

Si puede ejecutar modelos usted mismo, el filtro whisper de FFmpeg, compilado con whisper.cpp, puede escribir srt directamente y tiene una opción max_len para líneas más cortas.

Para una primera comparación de precisión y precio en árabe, vea la guía de compra de APIs de voz a texto en árabe y la comparación de precios de voz a texto. Las marcas de tiempo son una fila de esa decisión, no la única.

¿Cómo se crean subtítulos con una API solo de texto?

Usted crea sus propias marcas de tiempo a partir de dónde corta el audio. Los pasos:

  1. Encuentre las pausas. silencedetect de FFmpeg registra silence_start y silence_end en segundos dondequiera que el nivel se mantenga bajo un umbral durante un tiempo mínimo.
  2. Convierta las pausas en tramos de habla. Todo lo que hay entre dos silencios es un tramo. Limite los tramos a unos 12 segundos, para que un hablante que nunca hace pausas produzca igualmente subtítulos cortos.
  3. Transcriba cada tramo. Recórtelo a WAV mono de 16 kHz y envíelo con language=ar.
  4. Asigne tiempos a los subtítulos. El inicio y el fin del tramo son sus tiempos de anclaje. Si el texto necesita varias líneas, reparta el tiempo del tramo entre ellas en proporción a su longitud.
  5. Escriba el SRT y compruebe la longitud de línea, la velocidad de lectura y la duración frente a las reglas de estilo.

Es la misma división que en transcribir archivos de audio largos, con otro objetivo. Allí, los fragmentos duran unos 10 minutos y solo importa el texto unido. Aquí, los fragmentos duran segundos porque cada uno se convierte en tiempos de subtítulo. La herramienta para dividir audio genera los comandos de FFmpeg si prefiere dividir a mano.

El pipeline en Python

Este script usa el SDK de OpenAI para Python y FFmpeg. Lo ejecutamos el 15 de noviembre de 2026 contra un servidor simulado local que responde como el endpoint documentado de BroadNet ({"text": ...}), con un archivo de prueba generado con tonos y silencios. El SRT de arriba es su salida. No se usó ninguna clave de BroadNet, así que el texto en árabe vino del simulador, no del modelo.

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")

Ejecútelo con BROADNET_API_KEY configurada: python make_srt.py episode.wav episode.srt. Con el archivo de prueba, la detección de pausas encontró tramos de 0 a 2.8 s, de 3.6 a 7.6 s, de 8.8 a 28.8 s (cortado a los 12 s porque no tenía pausas) y de 29.4 a 30.9 s, lo que coincidía con cómo se construyó el archivo. La salida se analizó sin problemas con el paquete srt de Python y se convirtió a WebVTT con FFmpeg.

Ajuste dos valores a su audio. noise es el nivel que cuenta como silencio: pruebe de -30 a -40 dB para voz limpia y valores más altos para salas ruidosas. min_silence es cuánto debe durar un hueco: de 0.3 a 0.5 segundos detecta las pausas entre frases sin cortar en cada respiración.

¿Qué tan preciso es el tiempo por fragmento?

Tenga claro qué puede y qué no puede hacer este método.

  • Los bordes de los tramos son la mejor parte. Los inicios y finales de subtítulos que coinciden con una pausa real son tan precisos como la detección de silencio. En nuestro archivo de prueba sintético coincidieron exactamente; las grabaciones reales, con respiraciones y ruido de sala, son más complicadas.
  • Los tiempos dentro de un tramo son estimaciones. Cuando un tramo contiene dos o tres subtítulos, el script reparte su tiempo por número de caracteres. Los hablantes no hablan a un ritmo constante, así que esos límites internos pueden desviarse un segundo o más.
  • Los cortes fijos pueden partir palabras. Cuando un tramo supera el tope de 12 segundos sin pausa, el corte cae donde caiga. Una palabra en el corte puede perderse o deformarse. Suba noise o baje min_silence primero, para que menos tramos necesiten un corte fijo.
  • Los fragmentos cortos dan menos contexto al modelo. Un clip de 3 segundos tiene menos palabras alrededor de cada palabra que un archivo de 10 minutos. No hemos medido cuánto cambia esto la precisión en árabe; pruébelo con su propio audio usando el WER.
  • Sin etiquetas de hablante. BroadNet no devuelve diarización, así que los subtítulos no dicen quién habla.
  • Música y ruido. La música de fondo puede ocultar las pausas por completo. Entonces la mayoría de los tramos son cortes fijos y el tiempo empeora.

Para clases, podcasts, webinars y videos de formación, los subtítulos a menos de un segundo de la voz suelen ser legibles. Para dramas, videos musicales o cualquier cosa con sincronía labial, use un proveedor con marcas de tiempo por palabra o pida a un subtitulador que ajuste el archivo.

¿Cuánto cuesta y qué tan rápido es?

El precio depende de la duración del audio. Una hora de árabe con BroadNet Transcribe Arabic cuesta $0.25, tanto si la envía como un archivo como si la envía en 720 de cinco segundos. La página de precios de BroadNet indica un precio por minuto de audio y ningún mínimo por archivo; revise la página de uso después de su primer episodio para confirmarlo.

La velocidad depende del número de solicitudes. Una clave de pago por uso permite 30 solicitudes por minuto y 4 en curso. Una hora de voz dividida en tramos de 5 segundos son unas 720 solicitudes, lo que lleva al menos 720 ÷ 30 minutos. Tramos más largos implican menos solicitudes. Si recibe un 429, espere y reintente como en la guía de errores y reintentos, y no reparta un trabajo entre varias claves para sortear los límites publicados.

Dónde encaja BroadNet Inference

BroadNet Transcribe Arabic encaja en la mitad de texto de un trabajo de subtítulos: voz en árabe a texto en árabe a $0.0042 por minuto, sin conservar el audio ni las transcripciones después de la solicitud. El crédito inicial de $5 cubre la transcripción, así que puede probar el pipeline con episodios reales antes de recargar. No devuelve marcas de tiempo, segmentos, etiquetas de hablante ni SRT. Si sus subtítulos necesitan tiempos por palabra, use un proveedor que los documente, o alinee el texto de BroadNet con el audio mediante una herramienta de alineación forzada. Los formatos de solicitud y los límites están en la referencia de la API de BroadNet, y la configuración, en la guía de voz a texto en árabe.

Preguntas frecuentes

¿Puedo obtener un archivo SRT directamente de la API de transcripción de BroadNet?

No. La documentación de BroadNet muestra una respuesta JSON con un único campo text, sin opción de SRT, VTT ni marcas de tiempo. Sus metadatos de /v1/models (consultados el 2026-11-15) listan los formatos de respuesta json, text y verbose_json, pero ninguna fuente dice que verbose_json incluya marcas de tiempo. Construya los tiempos usted mismo a partir de los desfases de cada fragmento, como en este artículo, o use un proveedor que documente marcas de tiempo.

¿Qué APIs de voz a texto exportan SRT para árabe?

De las que revisamos el 15 de noviembre de 2026, AssemblyAI (un endpoint de subtítulos, árabe en Universal-2) y Speechmatics (format=srt, árabe y un paquete árabe-inglés) documentan exportación a SRT. OpenAI documenta SRT en whisper-1, que está en retirada. Deepgram documenta bibliotecas de subtítulos basadas en sus marcas de tiempo.

¿Cuántos caracteres por línea deben tener los subtítulos en árabe?

La guía de estilo de texto temporizado en árabe de Netflix fija 42 caracteres por línea y un máximo de dos líneas. Su límite de velocidad de lectura para programas de adultos es de hasta 20 caracteres por segundo, y de 17 para programas infantiles.

¿Qué tan precisos son los subtítulos temporizados a partir de fragmentos de audio?

El inicio y el fin de cada fragmento son tan precisos como la detección de pausas, así que ajústela a su audio. Los subtítulos dentro de un fragmento reciben tiempos estimados por la longitud del texto, por lo que pueden desviarse un segundo o más. Eso sirve para charlas y podcasts, no para dramas con sincronía labial.

¿Por qué mi SRT en árabe muestra la puntuación en el lado equivocado?

SRT no tiene marcado de dirección, así que el reproductor decide cómo disponer el texto de derecha a izquierda. Pruebe el archivo en los reproductores que usa su audiencia. Si la puntuación se mueve, pruebe un formato con estilos más completos o un ajuste del reproductor para texto RTL.

¿Dividir el audio en fragmentos cortos cuesta más?

BroadNet cobra la transcripción por minuto de audio, así que el total de audio es el mismo. Sí implica más solicitudes: los fragmentos cortos alcanzan antes el límite de pago por uso de 30 solicitudes por minuto. Revise su página de uso después de una primera ejecución para confirmar el cobro.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity

Fuentes