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_formatवैल्यू मेंsrtऔरvttलिस्ट करता है, लेकिन कहता है कि फ़ॉर्मैट मॉडल पर निर्भर है औरgpt-4o-transcribeवgpt-4o-mini-transcribeसिर्फ़jsonलौटाते 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:
- FFmpeg के
silencedetect(या किसी VAD) से ठहराव ढूँढें। - हर बोले गए हिस्से को, लगभग 12 सेकंड तक सीमित रखकर, 16 kHz मोनो WAV में काटें।
- हर हिस्से को BroadNet Transcribe Arabic पर
language=arके साथ ट्रांसक्राइब करें। - हर हिस्से की शुरुआत और अंत को कैप्शन समय बनाएँ, और टेक्स्ट की लंबाई के अनुपात में उसे लाइनों में बाँटें।
- 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।