字幕ファイルとは、時計の付いた文字起こしです。テキストを得るのは簡単な半分で、難しいのは時刻の半分です。
仕組み
SRT ファイルはプレーンテキストです。各字幕ブロックは 4 つの部分からなります。
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
米国議会図書館の形式解説は、時刻の形式を 時:分:秒,ミリ秒 とし、開始と終了の間を “two hyphens (—) and a right-pointing angle bracket (>)“(訳:2 つのハイフン(—)と右向きの山かっこ(>))でつなぎ、各ブロックの後に空行を置くとしています。また SRT を “a very simple text format, but not well standardized,“(訳:非常に単純なテキスト形式だが、標準化は不十分)と呼び、文字コードの標準はないとしています。拡張子は .srt です。
WebVTT は、HTML の動画テキストトラック用の W3C の形式で、見た目はほぼ同じです。仕様では、1 行目が WEBVTT、ミリ秒の前はピリオド(00:00:10.700)、文字コードは UTF-8、メディアタイプは text/vtt と定められています。2026 年 11 月 15 日時点では W3C の勧告候補草案です。
なぜ重要か
- 時刻は API から得るか、自分で作る。 音声認識 API の中には、単語やセグメントのタイムスタンプ、あるいは完成したファイルを返すものがあります。OpenAI の文字起こしリファレンスは
response_formatの値にsrtとvttを挙げていますが、形式はモデルによって異なり、gpt-4o-transcribeとgpt-4o-mini-transcribeはjsonしか返さないとしています。 - アラビア語のレイアウト。 SRT には方向を示すマークアップがないため、右から左のテキストや句読点の表示はプレーヤー次第です。RTL テキストを参照してください。
- 読みやすさのルール。 1 行の長さ、字幕あたりの行数、読む速度は、形式ではなくスタイルガイドが決めます。
BroadNet Inference の場合
BroadNet の文字起こしエンドポイントはタイムスタンプのないテキストを返すため、SRT を直接は作れません。音声認識 API でアラビア語字幕(SRT)を作るで検証した、実用的な方法は次のとおりです。
- FFmpeg の
silencedetect(または VAD)で無音の区切りを見つけます。 - 発話区間をそれぞれ最長約 12 秒で切り出し、16 kHz モノラルの WAV にします。
- 各区間を
language=arを付けて BroadNet Transcribe Arabic で文字起こしします。 - 各区間の開始と終了を字幕の時刻として使い、テキストの長さに比例して行ごとに配分します。
- 番号付きの SRT ブロックを書き出します。
区間の境界の精度は無音検出の精度で決まり、区間内の時刻は推定値です。講演やポッドキャストには向きますが、口の動きと合わせるドラマには向きません。フレーム単位の精度が必要なら、単語タイムスタンプをドキュメント化しているプロバイダーを使ってください。区間が短いほどリクエストも増えるので、従量課金の毎分 30 リクエストの上限に注意してください。音声分割ツールが FFmpeg のコマンドを書き出します。
よくある間違い
- SRT の時刻でカンマの代わりにピリオドを使う、または WebVTT でその逆をする。多くのプレーヤーが誤った方を受け付けません。
- ブロック間の空行が抜けているため、字幕がつながってしまう。