Un archivo de subtítulos es una transcripción con un reloj. Obtener el texto es la mitad fácil; los tiempos son la mitad difícil.
Cómo funciona
Un archivo SRT es texto plano. Cada bloque de subtítulo tiene cuatro partes:
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
La descripción del formato de la Library of Congress da el formato de tiempo como horas:minutos:segundos,milisegundos, con “two hyphens (—) and a right-pointing angle bracket (>)” (traducción: dos guiones (—) y un corchete angular que apunta a la derecha (>)) entre el inicio y el fin, y una línea en blanco después de cada bloque. Califica a SRT como “a very simple text format, but not well standardized,” (traducción: un formato de texto muy simple, pero no bien estandarizado) sin un estándar de codificación de caracteres. La extensión es .srt.
WebVTT, el formato del W3C para pistas de texto de video en HTML, se ve casi igual. La especificación exige una primera línea WEBVTT, un punto antes de los milisegundos (00:00:10.700), codificación UTF-8 y el tipo de medio text/vtt. Al 15 de noviembre de 2026 es un borrador de Candidate Recommendation del W3C.
Por qué importa
- Los tiempos vienen de la API, o de usted. Algunas APIs de voz a texto devuelven marcas de tiempo por palabra o por segmento, o un archivo terminado. La referencia de transcripción de OpenAI incluye
srtyvttentre sus valores deresponse_format, pero dice que el formato depende del modelo y quegpt-4o-transcribeygpt-4o-mini-transcribesolo devuelvenjson. - Diseño en árabe. SRT no tiene marcado de dirección, así que el reproductor decide cómo se muestran el texto de derecha a izquierda y la puntuación. Vea texto de derecha a izquierda.
- Reglas de legibilidad. La longitud de línea, las líneas por subtítulo y la velocidad de lectura las fijan las guías de estilo, no el formato.
En BroadNet Inference
El endpoint de transcripción de BroadNet devuelve texto sin marcas de tiempo, así que no puede producir SRT directamente. El enfoque que funciona, probado en subtítulos en árabe (SRT) desde una API de voz a texto:
- Encuentre las pausas con el filtro
silencedetectde FFmpeg (o con un VAD). - Corte cada tramo de voz, con un máximo de unos 12 segundos, a WAV mono de 16 kHz.
- Transcriba cada tramo con
language=aren BroadNet Transcribe Arabic. - Use el inicio y el fin de cada tramo como tiempos del subtítulo, repartiéndolos entre las líneas en proporción a la longitud del texto.
- Escriba los bloques SRT numerados.
Los bordes de los tramos son tan precisos como su detección de pausas; los tiempos dentro de un tramo son estimaciones. Eso sirve para charlas y podcasts, no para dramas con sincronía labial. Para una sincronización exacta al fotograma, use un proveedor que documente marcas de tiempo por palabra. Los tramos cortos también implican más solicitudes, así que vigile el límite de pago por uso de 30 solicitudes por minuto. La herramienta para dividir audio escribe los comandos de FFmpeg.
Errores comunes
- Puntos en lugar de comas en los tiempos SRT, o al revés en WebVTT. Muchos reproductores rechazan el formato incorrecto.
- Faltan líneas en blanco entre bloques, lo que fusiona los subtítulos.