Ang subtitle file ay transcript na may kasamang orasan. Madaling kalahati ang pagkuha ng text; ang mga oras ang mahirap na kalahati.
Paano ito gumagana
Plain text ang SRT file. Apat na bahagi ang bawat caption block:
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
Ayon sa paglalarawan ng format ng Library of Congress, hours:minutes:seconds,milliseconds ang format ng oras, na may “two hyphens (—) and a right-pointing angle bracket (>)” (Salin ng BroadRouter: “dalawang gitling (—) at isang angle bracket na nakaturo pakanan (>)”) sa pagitan ng simula at dulo, at may blangkong linya pagkatapos ng bawat block. Tinatawag nito ang SRT na “a very simple text format, but not well standardized,” (Salin ng BroadRouter: “isang napakasimpleng text format, pero hindi maayos ang pamantayan,”) na walang pamantayan sa character encoding. .srt ang extension.
Halos kamukha nito ang WebVTT, ang format ng W3C para sa mga text track ng HTML video. Hinihingi ng spec ang unang linyang WEBVTT, tuldok bago ang millisecond (00:00:10.700), UTF-8 na encoding at ang media type na text/vtt. Noong 15 Nobyembre 2026, Candidate Recommendation Draft ito ng W3C.
Bakit ito mahalaga
- Sa API o sa iyo manggagaling ang timing. May mga speech-to-text API na nagbabalik ng timestamp kada salita o segment, o ng tapos nang file. Inililista ng transcription reference ng OpenAI ang
srtatvttsa mga value ngresponse_formatnito, pero sinasabi nitong nakadepende sa model ang format atjsonlang ang ibinabalik nggpt-4o-transcribeatgpt-4o-mini-transcribe. - Layout ng Arabic. Walang direction markup ang SRT, kaya ang player ang nagpapasya kung paano ipapakita ang right-to-left na text at bantas. Tingnan ang right-to-left text.
- Mga patakaran sa readability. Mga style guide ang nagtatakda ng haba ng linya, bilang ng linya kada caption at bilis ng pagbasa, hindi ang format.
Sa BroadNet Inference
Text na walang timestamp ang ibinabalik ng transcription endpoint ng BroadNet, kaya hindi ito direktang makakagawa ng SRT. Ang gumaganang paraan, na sinubukan sa Arabic subtitles (SRT) mula sa speech-to-text API:
- Hanapin ang mga paghinto gamit ang
silencedetectng FFmpeg (o isang VAD). - Putulin ang bawat bahagi ng pagsasalita, hanggang mga 12 segundo, bilang 16 kHz mono na WAV.
- I-transcribe ang bawat bahagi gamit ang
language=arsa BroadNet Transcribe Arabic. - Gamitin ang simula at dulo ng bawat bahagi bilang oras ng caption, at hatiin ito sa mga linya ayon sa haba ng text.
- Isulat ang mga SRT block na may numero.
Kasintumpak lang ng pag-detect mo ng paghinto ang mga gilid ng bawat bahagi; tantiya lang ang mga oras sa loob ng isang bahagi. Bagay iyon sa mga talk at podcast, hindi sa drama na naka-lip-sync. Para sa timing na tumpak sa frame, gumamit ng provider na nagdodokumento ng word timestamp. Mas maraming request din ang ibig sabihin ng maiikling bahagi, kaya bantayan ang pay-as-you-go limit na 30 request kada minuto. Isinusulat ng audio splitter tool ang mga FFmpeg command.
Mga karaniwang pagkakamali
- Tuldok sa halip na kuwit sa oras ng SRT, o ang kabaligtaran sa WebVTT. Maraming player ang tumatanggi sa mali.
- Nawawalang blangkong linya sa pagitan ng mga block, na nagpapasanib sa mga caption.