BroadRouter

SRT सबटाइटल (SRT subtitles)

अपडेट किया गया

SRT (SubRip) एक प्लेन-टेक्स्ट सबटाइटल फ़ॉर्मैट है। हर कैप्शन में एक क्रम संख्या, hh:mm:ss,mmm --> hh:mm:ss,mmm रूप में लिखा शुरू और अंत का समय, टेक्स्ट की एक या ज़्यादा लाइनें और एक ख़ाली लाइन होती है। WebVTT इससे मिलता-जुलता वेब फ़ॉर्मैट है, जिसे HTML वीडियो इस्तेमाल करता है।

अन्य नाम: SRT फ़ाइल, सबटाइटल फ़ाइल, srt file kya hai, srt subtitle kya hai, SRT, SRT file, SubRip, WebVTT, subtitle file

सबटाइटल फ़ाइल घड़ी जुड़ी हुई ट्रांसक्रिप्ट है। टेक्स्ट पाना आसान आधा हिस्सा है; समय मुश्किल आधा।

यह कैसे काम करता है

SRT फ़ाइल प्लेन टेक्स्ट होती है। हर कैप्शन ब्लॉक के चार हिस्से होते हैं:

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

Library of Congress का फ़ॉर्मैट विवरण समय का रूप hours:minutes:seconds,milliseconds बताता है, शुरू और अंत के बीच “two hyphens (—) and a right-pointing angle bracket (>)” (अनुवाद: दो हाइफ़न (—) और दाईं ओर इशारा करता एंगल ब्रैकेट (>)), और हर ब्लॉक के बाद एक ख़ाली लाइन। वह SRT को “a very simple text format, but not well standardized,” (अनुवाद: बहुत सरल टेक्स्ट फ़ॉर्मैट, लेकिन ठीक से स्टैंडर्डाइज़ नहीं) कहता है, जिसका कोई कैरेक्टर-एन्कोडिंग स्टैंडर्ड नहीं है। एक्सटेंशन .srt है।

WebVTT, यानी HTML वीडियो टेक्स्ट ट्रैक के लिए W3C का फ़ॉर्मैट, लगभग वैसा ही दिखता है। स्पेक के मुताबिक़ पहली लाइन WEBVTT होनी चाहिए, मिलीसेकंड से पहले फ़ुल स्टॉप (00:00:10.700), UTF-8 एन्कोडिंग और text/vtt मीडिया टाइप। 15 नवंबर 2026 तक यह W3C Candidate Recommendation Draft है।

यह क्यों मायने रखता है

  • टाइमिंग API से आती है, या आपसे. कुछ स्पीच-टू-टेक्स्ट API शब्द या सेगमेंट के टाइमस्टैम्प या तैयार फ़ाइल लौटाते हैं। OpenAI का ट्रांसक्रिप्शन रेफ़रेंस अपनी response_format वैल्यू में srt और vtt लिस्ट करता है, लेकिन कहता है कि फ़ॉर्मैट मॉडल पर निर्भर है और gpt-4o-transcribe व gpt-4o-mini-transcribe सिर्फ़ json लौटाते हैं।
  • अरबी लेआउट. SRT में दिशा का कोई मार्कअप नहीं है, इसलिए प्लेयर तय करता है कि राइट-टू-लेफ़्ट टेक्स्ट और विराम चिह्न कैसे दिखें। देखें राइट-टू-लेफ़्ट टेक्स्ट।
  • पढ़ने लायक बनाने के नियम. लाइन की लंबाई, हर कैप्शन में लाइनें और पढ़ने की रफ़्तार स्टाइल गाइड तय करती हैं, फ़ॉर्मैट नहीं।

BroadNet Inference पर

BroadNet का ट्रांसक्रिप्शन एंडपॉइंट बिना टाइमस्टैम्प के टेक्स्ट लौटाता है, इसलिए वह सीधे SRT नहीं बना सकता। काम करने वाला तरीका, जिसे स्पीच-टू-टेक्स्ट API से अरबी सबटाइटल (SRT) में टेस्ट किया गया है:

  1. FFmpeg के silencedetect (या किसी VAD) से ठहराव ढूँढें।
  2. हर बोले गए हिस्से को, लगभग 12 सेकंड तक सीमित रखकर, 16 kHz मोनो WAV में काटें।
  3. हर हिस्से को BroadNet Transcribe Arabic पर language=ar के साथ ट्रांसक्राइब करें।
  4. हर हिस्से की शुरुआत और अंत को कैप्शन समय बनाएँ, और टेक्स्ट की लंबाई के अनुपात में उसे लाइनों में बाँटें।
  5. क्रमांकित SRT ब्लॉक लिखें।

हिस्सों के किनारे उतने ही सटीक हैं जितनी आपकी ठहराव-पहचान; हिस्से के अंदर के समय अनुमान हैं। यह टॉक और पॉडकास्ट के लिए ठीक है, लिप-सिंक वाले ड्रामा के लिए नहीं। फ़्रेम-सटीक टाइमिंग के लिए ऐसा प्रोवाइडर इस्तेमाल करें जो शब्द टाइमस्टैम्प दर्ज करता हो। छोटे हिस्सों का मतलब ज़्यादा अनुरोध भी है, इसलिए पे-एज़-यू-गो की प्रति मिनट 30 अनुरोधों की सीमा पर नज़र रखें। ऑडियो स्प्लिटर टूल FFmpeg कमांड लिख देता है।

आम ग़लतियाँ

  • SRT के समय में कॉमा की जगह डॉट, या WebVTT में उलटा। कई प्लेयर ग़लत वाला रिजेक्ट कर देते हैं।
  • ब्लॉकों के बीच ख़ाली लाइनें छूट जाना, जिससे कैप्शन आपस में मिल जाते हैं।

अक्सर पूछे जाने वाले सवाल

SRT और WebVTT में क्या फ़र्क़ है?

WebVTT फ़ाइलें WEBVTT लाइन से शुरू होती हैं, मिलीसेकंड से पहले फ़ुल स्टॉप लगाती हैं (00:00:10.700), UTF-8 में होनी चाहिए और text/vtt मीडिया टाइप इस्तेमाल करती हैं। SRT कॉमा लगाता है (00:00:10,700) और Library of Congress के अनुसार उसका कोई कैरेक्टर-एन्कोडिंग स्टैंडर्ड नहीं है।

क्या BroadNet SRT फ़ाइल लौटा सकता है?

नहीं। BroadNet का दर्ज ट्रांसक्रिप्शन रिस्पॉन्स एक ही text फ़ील्ड वाला JSON है, बिना टाइमस्टैम्प के। कैप्शन के समय आपको ख़ुद बनाने होंगे, जैसे ऑडियो चंक्स के ऑफ़सेट से।

अरबी SRT फ़ाइल किस एन्कोडिंग में हो?

UTF-8 इस्तेमाल करें और उन प्लेयर्स में टेस्ट करें जो आपके दर्शक इस्तेमाल करते हैं। SRT का कोई एन्कोडिंग स्टैंडर्ड नहीं है, इसलिए कुछ पुराने टूल बाइट्स देखकर एन्कोडिंग का अंदाज़ा लगाते हैं।

Markdown में पढ़ेंChatGPT से पूछेंClaude से पूछेंPerplexity से पूछें