Subtitle adalah teks yang diberi waktu. Sebagian besar pekerjaan dalam pipeline subtitle bahasa Arab adalah mendapatkan waktu tersebut. Sebagian API speech-to-text memberikannya dalam bentuk timestamp per kata atau file SRT jadi. Yang lain, termasuk BroadNet Inference, hanya mengembalikan teks transkrip. Tulisan ini menjelaskan apa yang dibutuhkan file SRT, penyedia mana yang mendokumentasikan timestamp, dan cara membuat subtitle bahasa Arab yang layak pakai dari API yang hanya mengembalikan teks, dengan batasannya disebutkan secara terbuka.
BroadRouter adalah situs milik BroadNet sendiri. Jika Anda butuh timing yang akurat per frame, jawaban jujurnya di bawah adalah penyedia dengan timestamp per kata, bukan BroadNet.
Apa yang dibutuhkan file SRT?
File SRT (SubRip) adalah teks biasa. Setiap caption punya empat bagian: nomor, baris waktu, satu atau dua baris teks, dan satu baris kosong.
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 وكيف
نصنع ملف ترجمة مصاحبة
Deskripsi format dari Library of Congress menyebut format waktunya jam:menit:detik,milidetik dan panahnya berupa dua tanda hubung dan satu kurung sudut kanan. Deskripsi itu juga menyebut SRT “not well standardized” (Terjemahan BroadRouter: tidak terstandardisasi dengan baik) dan bahwa file SRT “do not have a character encoding standard” (Terjemahan BroadRouter: tidak punya standar character encoding). Untuk bahasa Arab, tulis dalam UTF-8 dan uji di player target Anda. WebVTT, penerusnya di web, memakai titik alih-alih koma sebelum milidetik.
Jadi syarat mutlaknya adalah waktu mulai dan selesai untuk setiap caption. Teks saja tidak cukup.
Seberapa panjang satu baris subtitle bahasa Arab?
Gunakan style guide yang sudah dipublikasikan alih-alih menebak. Arabic Timed Text Style Guide dari Netflix (change log bertanggal 2025-12-19) menetapkan:
| Aturan | Nilai Netflix |
|---|---|
| Karakter per baris | 42 |
| Baris per caption | Maksimal dua |
| Kecepatan baca, program dewasa | Maksimal 20 karakter per detik |
| Kecepatan baca, program anak | Maksimal 17 karakter per detik |
| Pemenggalan baris | Jangan pisahkan kata kerja dari subjeknya, preposisi dari kata bendanya, atau angka dari yang dihitungnya |
Persyaratan umum Netflix menambahkan durasi minimum lima per enam detik dan maksimum 7 detik per caption. Panduan bahasa Arab juga meminta bahasa Arab Standar Modern untuk subtitle terjemahan. Itu aturan penerjemahan; transkrip ucapan berdialek tetap dalam dialeknya.
Angka-angka itu langsung menjadi kode: bungkus di 42 karakter, dua baris per caption, beri peringatan di atas 20 karakter per detik, dan jangan pernah menahan caption lebih dari 7 detik.
API speech-to-text mana yang mendokumentasikan timestamp atau SRT?
Kami membaca dokumentasi terbaru setiap penyedia pada 15 November 2026. Daftar ini mencatat apa yang mereka dokumentasikan, bukan seberapa akurat timing-nya.
| Penyedia | Yang ditawarkan dokumentasinya | Bahasa Arab |
|---|---|---|
| OpenAI | response_format srt, vtt, atau verbose_json, dan timestamp_granularities[] per kata atau segmen, hanya di whisper-1. gpt-4o-transcribe dan gpt-4o-mini-transcribe hanya mengembalikan json |
Tidak dicek. Halaman deprecation OpenAI mencantumkan whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe, dan gpt-4o-transcribe-diarize sebagai deprecated, semuanya dimatikan pada 26 Februari 2027, dan merekomendasikan gpt-transcribe atau gpt-live-transcribe sebagai gantinya |
| AssemblyAI | GET /v2/transcript/{transcript_id}/srt atau /vtt, dengan chars_per_caption |
Bahasa Arab tercantum di Universal-2, dalam kelompok WER 10 sampai 25% |
| Speechmatics | format=srt di endpoint transkrip; srt_overrides dengan max_line_length dan max_lines; item kata membawa start_time dan end_time |
Bahasa Arab, plus paket Arab-Inggris ar_en |
| Deepgram | Timestamp per kata dan per utterance; library caption resmi untuk Python dan JavaScript yang menulis SRT dan WebVTT | Bahasa Arab dan kode regional di Nova-3 |
| ElevenLabs | timestamps_granularity per kata atau karakter; setiap kata punya start dan end dalam detik |
Bahasa Arab tercantum, dalam kelompok WER 10 sampai 20% |
| BroadNet Inference | Hanya {"text": ...} |
Model khusus bahasa Arab dan model 14 bahasa |
Jika Anda bisa menjalankan model sendiri, filter whisper FFmpeg, yang di-build dengan whisper.cpp, bisa menulis srt langsung dan punya opsi max_len untuk baris yang lebih pendek.
Untuk perbandingan awal akurasi bahasa Arab dan harga, lihat panduan pembeli API speech-to-text bahasa Arab dan perbandingan harga speech-to-text. Timestamp hanyalah satu baris dalam keputusan itu, bukan satu-satunya.
Bagaimana membuat subtitle dari API yang hanya mengembalikan teks?
Anda membuat timestamp sendiri dari titik di mana audio dipotong. Langkah-langkahnya:
- Temukan jedanya.
silencedetectFFmpeg mencatatsilence_startdansilence_enddalam detik di mana pun level suara tetap di bawah ambang selama durasi minimum. - Ubah jeda menjadi rentang ucapan. Semua yang ada di antara dua jeda adalah satu rentang. Batasi rentang sekitar 12 detik, supaya pembicara yang tidak pernah berhenti tetap menghasilkan caption pendek.
- Transkripsikan setiap rentang. Potong menjadi WAV 16 kHz mono dan kirim dengan
language=ar. - Atur waktu caption. Awal dan akhir rentang adalah waktu acuan Anda. Jika teksnya butuh beberapa baris, bagi waktu rentang di antara baris-baris itu sesuai panjangnya.
- Tulis SRT dan cek panjang baris, kecepatan baca, dan durasi terhadap aturan style.
Ini pemecahan yang sama seperti di transkripsi file audio panjang, dengan tujuan berbeda. Di sana, potongan sekitar 10 menit dan Anda hanya peduli pada teks gabungannya. Di sini, potongan hanya beberapa detik karena masing-masing menjadi waktu caption. Tool pemecah audio menyusun perintah FFmpeg jika Anda lebih suka memecah secara manual.
Pipeline-nya dalam Python
Script ini memakai OpenAI Python SDK dan FFmpeg. Kami menjalankannya pada 15 November 2026 terhadap mock server lokal yang menjawab seperti endpoint terdokumentasi BroadNet ({"text": ...}), dengan file uji hasil generate berisi nada dan jeda. SRT di atas adalah output-nya. Tidak ada kunci BroadNet yang dipakai, jadi teks Arab-nya berasal dari mock, bukan dari model.
import os, re, subprocess, sys
from openai import OpenAI
FFMPEG = os.environ.get("FFMPEG", "ffmpeg")
client = OpenAI(base_url=os.environ.get("BASE_URL", "https://inference.broadnet.ai/v1"),
api_key=os.environ["BROADNET_API_KEY"])
MODEL = "broadnet/cohere-transcribe-arabic"
MAX_CHARS, MAX_LINES, MAX_CUE, MAX_CPS = 42, 2, 7.0, 20 # Netflix Arabic / general guide values
def find_speech(path, noise="-35dB", min_silence=0.4, max_span=12.0):
"""Return [(start, end)] seconds of speech between silences, each at most max_span long."""
log = subprocess.run([FFMPEG, "-hide_banner", "-nostats", "-i", path,
"-af", f"silencedetect=n={noise}:d={min_silence}", "-f", "null", "-"],
capture_output=True, text=True).stderr
h, m, s = re.search(r"Duration: (\d+):(\d+):([\d.]+)", log).groups()
total = int(h) * 3600 + int(m) * 60 + float(s)
starts = [float(x) for x in re.findall(r"silence_start: (-?[\d.]+)", log)]
ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
spans, t = [], 0.0
for i, s0 in enumerate(starts):
if s0 - t > 0.2:
spans.append((t, s0))
t = ends[i] if i < len(ends) else total
if total - t > 0.2:
spans.append((t, total))
out = []
for a, b in spans: # no pause found: cut at a fixed length
while b - a > max_span:
out.append((a, a + max_span)); a += max_span
out.append((a, b))
return out
def transcribe_span(path, a, b, name):
subprocess.run([FFMPEG, "-hide_banner", "-loglevel", "error", "-y", "-ss", f"{a:.3f}",
"-to", f"{b:.3f}", "-i", path, "-ar", "16000", "-ac", "1", name], check=True)
with open(name, "rb") as f:
return client.audio.transcriptions.create(model=MODEL, file=f, language="ar").text.strip()
def to_cues(text, a, b):
"""Wrap text into lines of <= MAX_CHARS, give each line a share of the span's time
in proportion to its length, then pack lines into cues of <= MAX_LINES and <= MAX_CUE s."""
lines, cur = [], ""
for w in text.split():
if cur and len(cur) + 1 + len(w) > MAX_CHARS:
lines.append(cur); cur = w
else:
cur = f"{cur} {w}".strip()
if cur:
lines.append(cur)
chars = sum(len(l) for l in lines) or 1
cues, t = [], a
for line in lines:
d = (b - a) * len(line) / chars
last = cues[-1] if cues else None
if last and len(last[2]) < MAX_LINES and t + d - last[0] <= MAX_CUE:
last[1] = t + d; last[2].append(line)
else:
cues.append([t, t + d, [line]])
t += d
for c in cues: # a long pause inside a span: don't hold text on screen
c[1] = min(c[1], c[0] + MAX_CUE)
return cues
def ts(x):
ms = round(x * 1000)
return f"{ms // 3600000:02}:{ms // 60000 % 60:02}:{ms // 1000 % 60:02},{ms % 1000:03}"
def make_srt(path, out="out.srt"):
cues = []
for i, (a, b) in enumerate(find_speech(path)):
text = transcribe_span(path, a, b, f"chunk-{i:04}.wav")
if text:
cues += to_cues(text, a, b)
with open(out, "w", encoding="utf-8") as f:
for n, (a, b, g) in enumerate(cues, 1):
cps = len(" ".join(g)) / (b - a)
if b - a > MAX_CUE or cps > MAX_CPS:
print(f"check cue {n}: {b - a:.1f} s, {cps:.0f} chars/s", file=sys.stderr)
f.write(f"{n}\n{ts(a)} --> {ts(b)}\n" + "\n".join(g) + "\n\n")
return len(cues)
if __name__ == "__main__":
print(make_srt(sys.argv[1], sys.argv[2] if len(sys.argv) > 2 else "out.srt"), "cues written")
Jalankan dengan BROADNET_API_KEY yang sudah diset: python make_srt.py episode.wav episode.srt. Pada file uji, deteksi jeda menemukan rentang 0 sampai 2,8 dtk, 3,6 sampai 7,6 dtk, 8,8 sampai 28,8 dtk (dipotong di 12 dtk karena tidak ada jeda), dan 29,4 sampai 30,9 dtk, sesuai dengan cara file itu dibuat. Output-nya berhasil di-parse dengan paket Python srt dan dikonversi ke WebVTT dengan FFmpeg.
Sesuaikan dua nilai dengan audio Anda. noise adalah level yang dianggap hening: coba -30 sampai -40 dB untuk ucapan yang bersih dan lebih tinggi untuk ruangan bising. min_silence adalah berapa lama jeda harus berlangsung: 0,3 sampai 0,5 detik menangkap jeda antarkalimat tanpa memotong setiap tarikan napas.
Seberapa akurat timing tingkat potongan?
Pahami dengan jelas apa yang bisa dan tidak bisa dilakukan metode ini.
- Tepi rentang adalah bagian terbaiknya. Awal dan akhir caption yang jatuh di jeda nyata seakurat deteksi heningnya. Pada file uji sintetis kami, hasilnya persis cocok; rekaman nyata dengan suara napas dan bising ruangan lebih berantakan.
- Waktu di dalam rentang adalah perkiraan. Saat satu rentang berisi dua atau tiga caption, script membagi waktunya berdasarkan jumlah karakter. Pembicara tidak berbicara dengan kecepatan konstan, jadi batas di dalamnya bisa meleset satu detik atau lebih.
- Potongan tetap bisa memotong kata. Saat rentang melewati batas 12 detik tanpa jeda, potongan jatuh di mana saja. Kata di titik potong bisa hilang atau rusak. Naikkan
noiseatau turunkanmin_silencelebih dulu, supaya lebih sedikit rentang yang perlu dipotong paksa. - Potongan pendek memberi model konteks yang lebih sedikit. Klip 3 detik punya lebih sedikit kata di sekitar setiap kata dibanding file 10 menit. Kami belum mengukur seberapa besar ini mengubah akurasi bahasa Arab; uji pada audio Anda sendiri dengan WER.
- Tanpa label pembicara. BroadNet tidak mengembalikan diarization, jadi caption tidak menyebut siapa yang berbicara.
- Musik dan bising. Musik latar bisa menyembunyikan jeda sepenuhnya. Akibatnya sebagian besar rentang menjadi potongan tetap, dan timing memburuk.
Untuk kuliah, podcast, webinar, dan video pelatihan, caption yang meleset kurang dari satu detik dari ucapan biasanya masih nyaman dibaca. Untuk drama, video musik, atau apa pun yang lip-sync, gunakan penyedia dengan timestamp per kata atau minta penerjemah subtitle merapikan file-nya.
Berapa biayanya, dan seberapa cepat?
Harga mengikuti panjang audio. Satu jam bahasa Arab di BroadNet Transcribe Arabic berbiaya $0.25, baik dikirim sebagai satu file maupun 720 file lima detik. Halaman harga BroadNet mencantumkan harga per menit audio tanpa minimum per file; cek halaman pemakaian setelah episode pertama untuk memastikan.
Kecepatan mengikuti jumlah permintaan. Kunci bayar sesuai pemakaian mengizinkan 30 permintaan per menit dan 4 permintaan bersamaan. Satu jam ucapan yang dipecah menjadi rentang 5 detik menghasilkan sekitar 720 permintaan, yang butuh minimal 720 ÷ 30 menit. Rentang lebih panjang berarti permintaan lebih sedikit. Jika kena 429, lakukan backoff seperti di panduan error dan retry, dan jangan menyebar satu job ke beberapa kunci untuk mengakali limit yang dipublikasikan.
Posisi BroadNet Inference
BroadNet Transcribe Arabic cocok untuk separuh pekerjaan subtitle yang berupa teks: ucapan bahasa Arab menjadi teks bahasa Arab seharga $0.0042 per menit, dengan audio dan transkrip tidak disimpan setelah permintaan. Kredit awal $5 mencakup transkripsi, jadi Anda bisa menguji pipeline pada episode nyata sebelum top up. BroadNet tidak mengembalikan timestamp, segmen, label pembicara, atau SRT. Jika subtitle Anda butuh timing per kata, gunakan penyedia yang mendokumentasikannya, atau selaraskan teks BroadNet dengan audio memakai tool forced alignment. Bentuk permintaan dan limit ada di referensi API BroadNet, dan setup-nya di panduan speech-to-text bahasa Arab.
