Un file di sottotitoli è una trascrizione con un orologio attaccato. Ottenere il testo è la metà facile; i tempi sono la metà difficile.
Come funziona
Un file SRT è testo semplice. Ogni blocco di sottotitolo ha quattro parti:
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 descrizione del formato della Library of Congress indica il formato dei tempi come ore:minuti:secondi,millisecondi, con “two hyphens (—) and a right-pointing angle bracket (>)” (traduzione: due trattini (—) e una parentesi angolare rivolta a destra (>)) tra inizio e fine, e una riga vuota dopo ogni blocco. Definisce SRT “a very simple text format, but not well standardized” (traduzione: un formato di testo molto semplice, ma poco standardizzato), senza uno standard di codifica dei caratteri. L’estensione è .srt.
WebVTT, il formato del W3C per le tracce di testo dei video HTML, è quasi identico. La specifica richiede una prima riga WEBVTT, un punto prima dei millisecondi (00:00:10.700), la codifica UTF-8 e il media type text/vtt. Al 15 novembre 2026 è una Candidate Recommendation Draft del W3C.
Perché è importante
- I tempi arrivano dall’API, oppure da te. Alcune API speech-to-text restituiscono timestamp per parola o per segmento, oppure un file già pronto. Il riferimento di OpenAI per la trascrizione elenca
srtevtttra i valori diresponse_format, ma dice che il formato dipende dal modello e chegpt-4o-transcribeegpt-4o-mini-transcriberestituiscono solojson. - Impaginazione dell’arabo. SRT non ha markup per la direzione, quindi è il player a decidere come mostrare testo e punteggiatura da destra a sinistra. Vedi testo da destra a sinistra.
- Regole di leggibilità. Lunghezza delle righe, righe per sottotitolo e velocità di lettura sono fissate dalle guide di stile, non dal formato.
Su BroadNet Inference
L’endpoint di trascrizione di BroadNet restituisce testo senza timestamp, quindi non può produrre direttamente un SRT. L’approccio che funziona, testato in sottotitoli arabi (SRT) da un’API speech-to-text:
- Trova le pause con
silencedetectdi FFmpeg (o con una VAD). - Taglia ogni tratto di parlato, al massimo di circa 12 secondi, in WAV mono a 16 kHz.
- Trascrivi ogni tratto con
language=arsu BroadNet Transcribe Arabic. - Usa inizio e fine di ogni tratto come tempi dei sottotitoli, dividendoli tra le righe in proporzione alla lunghezza del testo.
- Scrivi i blocchi SRT numerati.
I bordi dei tratti sono precisi quanto il tuo rilevamento delle pause; i tempi all’interno di un tratto sono stime. Va bene per talk e podcast, non per film con sincronizzazione labiale. Per tempi precisi al fotogramma, usa un provider che documenta i timestamp per parola. Tratti brevi significano anche più richieste, quindi tieni d’occhio il limite del pagamento a consumo di 30 richieste al minuto. Lo strumento per dividere l’audio scrive i comandi FFmpeg.
Errori comuni
- Punti al posto delle virgole nei tempi SRT, o il contrario in WebVTT. Molti player rifiutano quello sbagliato.
- Righe vuote mancanti tra i blocchi, che fondono i sottotitoli.