Un fichier de sous-titres, c’est une transcription à laquelle on a attaché une horloge. Obtenir le texte est la moitié facile ; les temps sont la moitié difficile.
Comment ça marche
Un fichier SRT est du texte brut. Chaque bloc de sous-titre a quatre parties :
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 description du format par la Library of Congress donne le format horaire heures:minutes:secondes,millisecondes, avec « two hyphens (—) and a right-pointing angle bracket (>) » (traduction : « deux tirets (—) et un chevron orienté vers la droite (>) ») entre le début et la fin, et une ligne vide après chaque bloc. Elle qualifie SRT de « a very simple text format, but not well standardized, » (traduction : « format texte très simple, mais mal normalisé ») sans norme d’encodage des caractères. L’extension est .srt.
WebVTT, le format du W3C pour les pistes texte de la vidéo HTML, est presque identique. La spécification exige WEBVTT en première ligne, un point avant les millisecondes (00:00:10.700), l’encodage UTF-8 et le type de média text/vtt. Au 15 novembre 2026, c’est un Candidate Recommendation Draft du W3C.
Pourquoi c’est important
- Le timing vient de l’API, ou de vous. Certaines API speech-to-text renvoient des horodatages par mot ou par segment, ou un fichier tout prêt. La référence de transcription d’OpenAI liste
srtetvttparmi les valeurs deresponse_format, mais précise que le format dépend du modèle et quegpt-4o-transcribeetgpt-4o-mini-transcribene renvoient que dujson. - Mise en page de l’arabe. SRT n’a pas de balisage de direction : c’est le lecteur qui décide comment afficher le texte de droite à gauche et la ponctuation. Voir texte de droite à gauche.
- Règles de lisibilité. Longueur des lignes, nombre de lignes par sous-titre et vitesse de lecture sont fixés par les guides de style, pas par le format.
Sur BroadNet Inference
L’endpoint de transcription de BroadNet renvoie du texte sans horodatages : il ne peut donc pas produire de SRT directement. L’approche qui fonctionne, testée dans sous-titres arabes (SRT) depuis une API speech-to-text :
- Repérer les pauses avec
silencedetectde FFmpeg (ou un VAD). - Découper chaque passage parlé, limité à environ 12 secondes, en WAV mono 16 kHz.
- Transcrire chaque passage avec
language=arsur BroadNet Transcribe Arabic. - Utiliser le début et la fin de chaque passage comme temps des sous-titres, en les répartissant entre les lignes au prorata de la longueur du texte.
- Écrire les blocs SRT numérotés.
Les bornes des passages sont aussi précises que votre détection de pauses ; les temps à l’intérieur d’un passage sont des estimations. Cela convient aux conférences et aux podcasts, pas aux fictions synchronisées sur les lèvres. Pour un timing précis à l’image, utilisez un fournisseur qui documente les horodatages par mot. Des passages courts signifient aussi davantage de requêtes : surveillez la limite du paiement à l’usage de 30 requêtes par minute. L’outil de découpe audio écrit les commandes FFmpeg.
Erreurs fréquentes
- Des points au lieu de virgules dans les temps SRT, ou l’inverse en WebVTT. Beaucoup de lecteurs rejettent la mauvaise variante.
- Des lignes vides manquantes entre les blocs, ce qui fusionne les sous-titres.