---
title: "음성 인식 API로 아랍어 SRT 자막 만들기 | BroadRouter"
description: "SRT 파일에 필요한 것, 아랍어에 타임스탬프나 SRT를 반환하는 음성 인식 API, 그리고 텍스트 전용 API로 자막을 만드는 검증된 파이프라인을 정리했습니다."
url: https://broadrouter.com/ko/blog/arabic-subtitles-srt-api/
lang: ko
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/blog/arabic-subtitles-srt-api/) (2026-11-16 업데이트).

# 음성 인식 API로 아랍어 자막(SRT) 만들기: 필요한 것

BroadNet Inference 팀 · 7분 분량 · 게시 2026-11-15 · 업데이트 2026-11-16

SRT 파일에는 자막마다 텍스트와 시작·종료 시간이 필요합니다. 단어나 구간 타임스탬프, 또는 SRT 직접 내보내기를 지원하는 API가 타이밍이 가장 좋습니다. BroadNet Transcribe Arabic은 텍스트만 반환하므로, 쉼 구간에서 오디오를 나누고 조각마다 전사한 뒤 조각 오프셋으로 자막 시간을 정하세요. 강연과 팟캐스트에는 충분하지만, 프레임 단위로 정확해야 하는 영화 자막에는 맞지 않습니다.

## 핵심 요약

-   SRT는 번호가 붙은 자막 목록이며, 자막마다 hh:mm:ss,mmm --> hh:mm:ss,mmm 줄이 있습니다. 미국 의회도서관은 SRT에 공식 사양도 문자 인코딩 표준도 없다고 설명합니다.
-   BroadNet이 문서화한 전사 응답은 {"text": ...}뿐입니다. 타임스탬프도, 구간도, SRT 출력도 없습니다.
-   OpenAI는 SRT와 단어 타임스탬프를 whisper-1에서만 문서화하는데, 이 모델은 2027년 2월 26일 종료 예정으로 올라 있습니다. AssemblyAI와 Speechmatics는 SRT 내보내기를, Deepgram과 ElevenLabs는 단어 타임스탬프를 문서화합니다.
-   Netflix 아랍어 가이드는 성인 프로그램에 줄당 42자, 최대 두 줄, 초당 최대 20자를 정하고 있으며, 일반 가이드는 자막 하나를 최대 7초로 제한합니다.
-   조각 단위 타이밍은 쉼 감지만큼만 정확합니다. 조각 안의 자막 시간은 텍스트 길이로 추정한 값입니다.

**이 페이지의 내용**

1.  SRT 파일에는 무엇이 필요한가요?
2.  아랍어 자막 한 줄은 얼마나 길어야 하나요?
3.  타임스탬프나 SRT를 문서화한 음성 인식 API는 어디인가요?
4.  텍스트 전용 API로 자막을 만들려면?
5.  Python 파이프라인
6.  조각 단위 타이밍은 얼마나 정확한가요?
7.  비용은 얼마이고, 속도는 어떤가요?
8.  BroadNet Inference의 역할

자막은 시간이 붙은 텍스트입니다. 아랍어 자막 파이프라인에서 대부분의 작업은 그 시간을 얻는 일입니다. 어떤 음성 인식 API는 단어 타임스탬프나 완성된 SRT 파일로 시간을 넘겨줍니다. BroadNet Inference를 포함한 다른 API는 녹취록 텍스트만 반환합니다. 이 글은 SRT 파일에 무엇이 필요한지, 어떤 제공업체가 타임스탬프를 문서화하는지, 그리고 텍스트 전용 API로 쓸 만한 아랍어 자막을 만드는 방법을 한계와 함께 솔직하게 설명합니다.

BroadRouter는 BroadNet의 자체 사이트입니다. 프레임 단위로 정확한 타이밍이 필요하다면, 아래의 솔직한 답은 BroadNet이 아니라 단어 타임스탬프를 제공하는 제공업체입니다.

## SRT 파일에는 무엇이 필요한가요?

SRT(SubRip) 파일은 일반 텍스트입니다. 각 자막은 네 부분으로 되어 있습니다. 번호, 시간 줄, 한두 줄의 텍스트, 빈 줄입니다.

```text
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
```

미국 의회도서관의 형식 설명에 따르면 시간 형식은 시:분:초,밀리초이고, 화살표는 하이픈 두 개와 오른쪽 꺾쇠괄호입니다. 또한 SRT는 “not well standardized”(번역: 표준화가 잘되어 있지 않음)이며 SRT 파일은 “do not have a character encoding standard”(번역: 문자 인코딩 표준이 없음)라고 설명합니다. 아랍어라면 UTF-8로 쓰고 대상 플레이어에서 테스트하세요. 웹용 후속 형식인 WebVTT는 밀리초 앞에 쉼표 대신 마침표를 씁니다.

따라서 꼭 필요한 것은 자막마다의 시작 시간과 종료 시간입니다. 텍스트만으로는 부족합니다.

## 아랍어 자막 한 줄은 얼마나 길어야 하나요?

추측하지 말고 공개된 스타일 가이드를 쓰세요. Netflix의 Arabic Timed Text Style Guide(변경 이력 날짜 2025-12-19)는 다음을 정하고 있습니다.

| 규칙 | Netflix 기준 |
| --- | --- |
| 줄당 글자 수 | 42 |
| 자막당 줄 수 | 최대 두 줄 |
| 읽기 속도, 성인 프로그램 | 초당 최대 20자 |
| 읽기 속도, 어린이 프로그램 | 초당 최대 17자 |
| 줄 바꿈 | 동사와 주어, 전치사와 명사, 숫자와 그 숫자가 세는 대상을 나누지 않음 |

Netflix의 일반 요구 사항은 여기에 자막당 최소 6분의 5초, 최대 7초를 더합니다. 아랍어 가이드는 번역 자막에 현대 표준 아랍어를 쓰라고도 요구합니다. 이는 번역에 관한 규칙이며, 방언으로 말한 내용의 녹취록은 방언 그대로 둡니다.

이 수치는 그대로 코드가 됩니다. 42자에서 줄을 바꾸고, 자막당 두 줄, 초당 20자를 넘으면 경고하고, 자막을 7초보다 오래 띄우지 않습니다.

## 타임스탬프나 SRT를 문서화한 음성 인식 API는 어디인가요?

2026년 11월 15일에 각 제공업체의 현재 문서를 읽었습니다. 아래는 문서에 나온 내용이지, 타이밍이 얼마나 정확한지가 아닙니다.

| 제공업체 | 문서에 나온 기능 | 아랍어 |
| --- | --- | --- |
| OpenAI | `response_format` `srt`, `vtt` 또는 `verbose_json`, 그리고 단어나 구간 단위의 `timestamp_granularities[]`. `whisper-1`에서만 지원. `gpt-4o-transcribe`와 `gpt-4o-mini-transcribe`는 `json`만 반환 | 확인하지 않음. OpenAI의 지원 중단 페이지는 `whisper-1`, `gpt-4o-transcribe`, `gpt-4o-mini-transcribe`, `gpt-4o-transcribe-diarize`를 지원 중단으로 표시하며, 모두 2027년 2월 26일에 종료되고, 대신 `gpt-transcribe`나 `gpt-live-transcribe`를 권장함 |
| AssemblyAI | `chars_per_caption`과 함께 `GET /v2/transcript/{transcript_id}/srt` 또는 `/vtt` | Universal-2에서 아랍어 지원, WER 10~25% 구간 |
| Speechmatics | 녹취록 엔드포인트의 `format=srt`. `max_line_length`와 `max_lines`가 있는 `srt_overrides`. 단어 항목에 `start_time`과 `end_time` 포함 | 아랍어, 그리고 `ar_en` 아랍어-영어 팩 |
| Deepgram | 단어 및 발화 타임스탬프. SRT와 WebVTT를 쓰는 공식 Python 및 JavaScript 자막 라이브러리 | Nova-3에서 아랍어와 지역 코드 지원 |
| ElevenLabs | 단어 또는 문자 단위의 `timestamps_granularity`. 단어마다 초 단위 `start`와 `end` | 아랍어 지원, WER 10~20% 구간 |
| BroadNet Inference | `{"text": ...}`만 | 아랍어 전용 모델과 14개 언어 모델 |

모델을 직접 돌릴 수 있다면, whisper.cpp 기반으로 빌드된 FFmpeg의 `whisper` 필터가 `srt`를 바로 쓸 수 있고, 줄을 짧게 하는 `max_len` 옵션도 있습니다.

아랍어 정확도와 가격을 처음 비교한다면 [아랍어 음성 인식 API 구매 가이드](https://broadrouter.com/ko/blog/arabic-speech-to-text-api-buyers-guide/)와 [음성 인식 API 가격 비교](https://broadrouter.com/ko/blog/speech-to-text-api-pricing-compared/)를 참고하세요. 타임스탬프는 그 결정에서 한 줄일 뿐, 전부가 아닙니다.

## 텍스트 전용 API로 자막을 만들려면?

오디오를 자른 위치로 타임스탬프를 직접 만듭니다. 단계는 다음과 같습니다.

1.  **쉼을 찾습니다.** FFmpeg의 `silencedetect`는 음량이 일정 시간 이상 임계값 아래에 머무는 곳마다 `silence_start`와 `silence_end`를 초 단위로 기록합니다.
2.  **쉼을 발화 구간으로 바꿉니다.** 두 무음 사이의 모든 것이 하나의 구간입니다. 구간은 약 12초로 제한해, 쉬지 않고 말하는 사람도 짧은 자막이 나오게 합니다.
3.  **구간마다 전사합니다.** 16 kHz 모노 WAV로 잘라 `language=ar`과 함께 보냅니다.
4.  **자막 시간을 정합니다.** 구간의 시작과 끝이 기준 시간입니다. 텍스트가 여러 줄이 필요하면, 구간의 시간을 길이에 비례해 줄마다 나눕니다.
5.  **SRT를 씁니다.** 줄 길이, 읽기 속도, 표시 시간을 스타일 규칙과 비교해 확인합니다.

[긴 오디오 파일 전사하기](https://broadrouter.com/ko/blog/transcribe-long-audio-files-api/)와 같은 분할이지만 목적이 다릅니다. 거기서는 조각이 약 10분이고 합친 텍스트만 신경 씁니다. 여기서는 각 조각이 자막 시간이 되므로 조각이 몇 초 길이입니다. 직접 나누고 싶다면 [오디오 분할 도구](https://broadrouter.com/tools/audio-splitter-ffmpeg/)가 FFmpeg 명령을 만들어 줍니다.

## Python 파이프라인

이 스크립트는 OpenAI Python SDK와 FFmpeg를 씁니다. 2026년 11월 15일에, BroadNet이 문서화한 엔드포인트처럼(`{"text": ...}`) 응답하는 로컬 모의 서버를 대상으로, 톤과 공백으로 생성한 테스트 파일에서 실행했습니다. 위의 SRT가 그 출력입니다. BroadNet 키는 쓰지 않았으므로, 아랍어 텍스트는 모델이 아니라 모의 서버에서 나온 것입니다.

```python
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")
```

`BROADNET_API_KEY`를 설정하고 `python make_srt.py episode.wav episode.srt`로 실행하세요. 테스트 파일에서 쉼 감지는 0~2.8초, 3.6~7.6초, 8.8~28.8초(쉼이 없어서 12초에서 잘림), 29.4~30.9초 구간을 찾았고, 이는 파일을 만든 방식과 일치했습니다. 출력은 Python `srt` 패키지로 깔끔하게 파싱되었고, FFmpeg로 WebVTT로 변환되었습니다.

두 값을 자신의 오디오에 맞게 조정하세요. `noise`는 무음으로 볼 음량입니다. 깨끗한 음성에는 -30~-40 dB를, 시끄러운 공간에는 더 높은 값을 써 보세요. `min_silence`는 공백이 얼마나 지속되어야 하는지입니다. 0.3~0.5초면 숨 쉴 때마다 나누지 않으면서 문장 사이의 쉼을 잡아냅니다.

## 조각 단위 타이밍은 얼마나 정확한가요?

이 방법이 할 수 있는 것과 없는 것을 분명히 해 두세요.

-   **구간 경계가 가장 정확한 부분입니다.** 실제 쉼에 걸리는 자막의 시작과 끝은 무음 감지만큼 정확합니다. 합성 테스트 파일에서는 정확히 일치했지만, 숨소리와 실내 소음이 있는 실제 녹음은 더 지저분합니다.
-   **구간 안의 시간은 추정치입니다.** 한 구간에 자막이 두세 개 있으면 스크립트는 글자 수로 시간을 나눕니다. 사람은 일정한 속도로 말하지 않으므로, 안쪽 경계는 1초 이상 어긋날 수 있습니다.
-   **고정 길이로 자르면 단어가 잘릴 수 있습니다.** 쉼 없이 12초 상한을 넘으면 어디든 그 지점에서 잘립니다. 잘린 지점의 단어는 사라지거나 뭉개질 수 있습니다. 먼저 `noise`를 올리거나 `min_silence`를 낮춰 고정 길이로 잘라야 하는 구간을 줄이세요.
-   **짧은 조각은 모델에 주는 맥락이 적습니다.** 3초짜리 클립은 10분짜리 파일보다 각 단어 주변의 단어가 적습니다. 이것이 아랍어 정확도를 얼마나 바꾸는지는 측정하지 않았습니다. 자신의 오디오에서 [WER](https://broadrouter.com/ko/blog/arabic-asr-wer-explained/)로 테스트하세요.
-   **화자 라벨이 없습니다.** BroadNet은 [화자 분리](https://broadrouter.com/ko/glossary/diarization/)를 반환하지 않으므로 자막에 누가 말하는지 나오지 않습니다.
-   **음악과 소음.** 배경 음악은 쉼을 완전히 가릴 수 있습니다. 그러면 대부분의 구간이 고정 길이로 잘리고 타이밍이 나빠집니다.

강의, 팟캐스트, 웨비나, 교육 영상이라면 말과 1초 이내로 맞는 자막은 대개 읽을 만합니다. 드라마, 뮤직비디오, 입 모양을 맞춰야 하는 콘텐츠라면 단어 [타임스탬프](https://broadrouter.com/ko/glossary/timestamps-asr/)를 제공하는 제공업체를 쓰거나 자막 작업자가 파일을 조정하게 하세요.

## 비용은 얼마이고, 속도는 어떤가요?

가격은 오디오 길이를 따릅니다. BroadNet Transcribe Arabic에서 아랍어 1시간은 파일 하나로 보내든 5초짜리 파일 720개로 보내든 $0.25 요금입니다. BroadNet 가격 페이지는 오디오 분당 가격을 표시하며 파일당 최소 요금은 없습니다. 첫 에피소드 후 사용량 페이지에서 확인하세요.

속도는 요청 수를 따릅니다. 종량제 키는 분당 요청 30회, 동시 요청 4개를 허용합니다. 1시간 분량의 음성을 5초 구간으로 나누면 약 720회의 요청이 되며, 최소 720 ÷ 30분이 걸립니다. 구간이 길수록 요청이 줄어듭니다. 429를 받으면 [오류와 재시도 가이드](https://broadrouter.com/ko/guides/errors-and-retries/)처럼 백오프하고, 공개된 한도를 피하려고 한 작업을 여러 키로 나누지 마세요.

## BroadNet Inference의 역할

BroadNet Transcribe Arabic은 자막 작업의 텍스트 절반에 적합합니다. 아랍어 음성을 아랍어 텍스트로 바꾸며 분당 $0.0042 요금이고, 오디오와 녹취록은 요청 후 보관되지 않습니다. $5 상당의 초기 크레딧으로 전사를 할 수 있으므로, 충전하기 전에 실제 에피소드로 파이프라인을 테스트할 수 있습니다. 타임스탬프, 구간, 화자 라벨, SRT는 반환하지 않습니다. 자막에 단어 단위 타이밍이 필요하다면 이를 문서화한 제공업체를 쓰거나, 강제 정렬(forced alignment) 도구로 BroadNet의 텍스트를 오디오에 맞추세요. 요청 형식과 한도는 [BroadNet API 레퍼런스](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-arabic-subtitles-srt-api&utm_content=body)에, 설정 방법은 [아랍어 음성 인식 가이드](https://broadrouter.com/ko/guides/arabic-speech-to-text-api/)에 있습니다.

관련 무료 도구 (영어)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[무료 도구 (영어)](https://broadrouter.com/tools/)

## 이 글의 용어

[음성 인식(Speech-to-text, STT)](https://broadrouter.com/ko/glossary/speech-to-text/)

음성 인식(STT)은 자동 음성 인식(ASR)이라고도 하며, 말소리 오디오를 글로 변환하는 기술입니다. 음성 인식 API는 오디오 파일이나 스트림을 받아 전사 텍스트를 반환하며, 보통 오디오 분당 요금이 붙습니다. 정확도는 단어 오류율로 측정하며 억양, 방언, 녹음 품질에 따라 달라집니다.

[SRT 자막(SRT subtitles)](https://broadrouter.com/ko/glossary/srt-subtitles/)

SRT(SubRip)는 일반 텍스트 자막 형식입니다. 각 자막은 순번, hh:mm:ss,mmm --> hh:mm:ss,mmm 형태로 쓴 시작·종료 시간, 한 줄 이상의 텍스트, 빈 줄로 이루어집니다. WebVTT는 HTML 비디오에서 쓰는 비슷한 웹 형식입니다.

[종량제(Pay-as-you-go)](https://broadrouter.com/ko/glossary/pay-as-you-go/)

종량제(pay-as-you-go)는 구독이나 최소 약정 없이 토큰, 요청, 오디오 분 같은 단위로 사용량을 측정해 쓴 만큼만 내는 요금 방식입니다. 대부분의 LLM API가 선불 잔액에서 차감하거나 정기 청구서를 발행하는 식으로 이렇게 과금합니다.

[단어 오류율(WER)](https://broadrouter.com/ko/glossary/word-error-rate/)

단어 오류율(WER)은 음성 인식의 표준 정확도 지표입니다. 전사 결과를 올바른 정답 텍스트로 바꾸는 데 필요한 단어 치환, 삭제, 삽입 횟수를 정답 텍스트의 단어 수로 나눈 값이며, 낮을수록 좋습니다.

[동시 처리(concurrency)](https://broadrouter.com/ko/glossary/concurrency/)

동시 처리(concurrency)는 클라이언트가 같은 시점에 진행 중인 요청 수입니다. LLM API는 분당 요청 수와 별도로 키나 플랜마다 이를 제한하는 경우가 많습니다. 열려 있는 요청은 응답이 끝날 때까지 GPU 용량을 차지하기 때문입니다.

[속도 제한(rate limit)](https://broadrouter.com/ko/glossary/rate-limit/)

속도 제한(rate limit)은 API가 일정 시간 동안 클라이언트가 사용할 수 있는 양에 두는 상한으로, 분당 요청 수나 분당 토큰 수 같은 기준이 있습니다. 한도를 넘은 요청은 사용량이 다시 한도 아래로 내려갈 때까지 거부되며, 보통 HTTP 429 Too Many Requests가 반환됩니다.

[화자 분리(speaker diarization)](https://broadrouter.com/ko/glossary/diarization/)

화자 분리(speaker diarization)는 오디오 녹음을 화자별 구간으로 나눠 "누가 언제 말했는가"에 답하는 작업입니다. 각 발화 구간에 SPEAKER\_00 같은 익명 화자 ID를 붙이며, 보통 전사본과 결합해 각 줄을 누가 말했는지 보여 줍니다.

[도구 호출(tool calling)](https://broadrouter.com/ko/glossary/tool-calling/)

도구 호출(tool calling)은 함수 호출(function calling)이라고도 하며, 모델이 개발자가 정의한 함수를 실행해 달라는 구조화된 요청을 JSON 인자와 함께 반환하는 LLM API 기능입니다. 함수는 애플리케이션이 실행하고 그 결과를 다시 보냅니다. 모델이 직접 코드를 실행하지는 않습니다.

## 자주 묻는 질문

### BroadNet 전사 API에서 SRT 파일을 바로 받을 수 있나요?

아니요. BroadNet 문서에는 text 필드 하나만 있는 JSON 응답이 나오며, SRT, VTT, 타임스탬프 옵션은 없습니다. /v1/models 메타데이터(2026-11-15 확인)에는 json, text, verbose\_json 응답 형식이 나오지만, verbose\_json에 타임스탬프가 담긴다는 출처는 없습니다. 이 글처럼 조각 오프셋으로 직접 타이밍을 만들거나, 타임스탬프를 문서화한 제공업체를 쓰세요.

### 아랍어 SRT를 내보내는 음성 인식 API는 어디인가요?

2026년 11월 15일에 확인한 곳 중에서는 AssemblyAI(자막 엔드포인트, Universal-2에서 아랍어 지원)와 Speechmatics(format=srt, 아랍어와 아랍어-영어 팩)가 SRT 내보내기를 문서화합니다. OpenAI는 지원이 중단된 whisper-1에서 SRT를 문서화합니다. Deepgram은 자사 타임스탬프로 만드는 자막 라이브러리를 문서화합니다.

### 아랍어 자막은 한 줄에 몇 자여야 하나요?

Netflix의 Arabic Timed Text Style Guide는 줄당 42자, 최대 두 줄을 정하고 있습니다. 읽기 속도 한도는 성인 프로그램이 초당 최대 20자, 어린이 프로그램이 17자입니다.

### 오디오 조각으로 타이밍을 맞춘 자막은 얼마나 정확한가요?

각 조각의 시작과 끝은 쉼 감지만큼 정확하므로, 자신의 오디오에 맞게 조정하세요. 조각 안의 자막은 텍스트 길이로 시간을 추정하므로 1초 이상 어긋날 수 있습니다. 강연과 팟캐스트에는 맞지만, 입 모양을 맞춰야 하는 드라마에는 맞지 않습니다.

### 아랍어 SRT에서 문장 부호가 반대쪽에 표시되는 이유는 무엇인가요?

SRT에는 방향 지정 마크업이 없어서, 오른쪽에서 왼쪽으로 쓰는 텍스트의 배치를 플레이어가 결정합니다. 시청자가 쓰는 플레이어에서 파일을 테스트하세요. 문장 부호가 옮겨 간다면 스타일 지정이 더 풍부한 형식이나 RTL 텍스트용 플레이어 설정을 써 보세요.

### 오디오를 짧은 조각으로 나누면 비용이 더 드나요?

BroadNet은 오디오 분 단위로 전사 가격을 매기므로 전체 오디오 길이는 같습니다. 다만 요청 수가 늘어납니다. 짧은 조각은 분당 요청 30회라는 종량제 한도에 더 빨리 도달합니다. 첫 실행 후 사용량 페이지에서 과금을 확인하세요.

## 이어서 읽기

-   [25MB 넘는 긴 오디오 전사하기: 분할, 전송, 이어 붙이기](https://broadrouter.com/ko/blog/transcribe-long-audio-files-api/)
-   [아랍어 음성 인식(STT) API: 2026년 선택 가이드](https://broadrouter.com/ko/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Whisper API 대안: 언제 바꿔야 하고 어떻게 테스트할까](https://broadrouter.com/ko/blog/whisper-api-alternative/)
-   [아랍어 회의 녹음으로 회의록 만들기: API 파이프라인](https://broadrouter.com/ko/blog/arabic-meeting-minutes-from-recordings/)
-   [음성 인식(STT) API 가격 비교: 2026년 분당 요금 총정리](https://broadrouter.com/ko/blog/speech-to-text-api-pricing-compared/)
-   [LLM으로 아랍어 발음 부호 넣기: 프롬프트, 검증, DER](https://broadrouter.com/ko/blog/arabic-diacritization-llm/)
-   [LLM으로 아랍어 문법·맞춤법 교정하기: 실전 가이드](https://broadrouter.com/ko/blog/arabic-grammar-spelling-correction-llm/)
-   [가이드: 아랍어 음성 인식(STT) API 사용법: 단계별 가이드](https://broadrouter.com/ko/guides/arabic-speech-to-text-api/)
-   [가이드: BroadNet Inference 오류 코드와 재시도해야 하는 경우](https://broadrouter.com/ko/guides/errors-and-retries/)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

[시작하기](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-arabic-subtitles-srt-api&utm_content=page-cta) ·

**출처**

-   [BroadNet Inference API 레퍼런스: 전사 요청과 {"text": ...} 응답, 종량제 한도 (2026-11-15 확인) (영어)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-arabic-subtitles-srt-api&utm_content=sources)
-   [미국 의회도서관, Sustainability of Digital Formats: SubRip(SRT) 형식 설명 fdd000569 (2026-11-15 확인)](https://www.loc.gov/preservation/digital/formats/fdd/fdd000569.shtml)
-   [Netflix Partner Help Center, Arabic Timed Text Style Guide: 줄당 42자, 읽기 속도 한도 (2026-11-15 확인)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215517947)
-   [Netflix Partner Help Center, Timed Text Style Guide: General Requirements, 최소 및 최대 표시 시간 (2026-11-15 확인)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements)
-   [OpenAI API 레퍼런스, create transcription: 모델별 response\_format과 timestamp\_granularities (2026-11-15 확인)](https://developers.openai.com/api/reference/resources/audio/subresources/transcriptions/methods/create)
-   [OpenAI 음성 인식 가이드: timestamp\_granularities는 whisper-1 전용, 지원 중단 날짜 (2026-11-15 확인)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI 지원 중단 안내: whisper-1과 gpt-4o 전사 모델 2027년 2월 26일 종료, 대체 모델 gpt-transcribe 또는 gpt-live-transcribe (2026-11-15 확인)](https://developers.openai.com/api/docs/deprecations)
-   [AssemblyAI API 레퍼런스, Get subtitles: 녹취록 자막 엔드포인트, SRT 또는 VTT 형식 (2026-11-15 확인)](https://www.assemblyai.com/docs/api-reference/transcripts/get-subtitles)
-   [AssemblyAI, 녹음된 오디오의 지원 언어 (2026-11-15 확인)](https://www.assemblyai.com/docs/pre-recorded-audio/supported-languages)
-   [Speechmatics 문서, 배치 출력 형식: format=srt와 srt\_overrides (2026-11-15 확인)](https://docs.speechmatics.com/speech-to-text/batch/output)
-   [Speechmatics 문서, 지원 언어: 아랍어와 ar\_en 이중 언어 팩 (2026-11-15 확인)](https://docs.speechmatics.com/speech-to-text/languages)
-   [Deepgram 문서, WebVTT와 SRT 자막 자동 생성 (2026-11-15 확인)](https://developers.deepgram.com/docs/automatically-generating-webvtt-and-srt-captions)
-   [Deepgram 문서, 모델과 언어 개요: Nova-3의 아랍어 (2026-11-15 확인)](https://developers.deepgram.com/docs/models-languages-overview)
-   [ElevenLabs API 레퍼런스, 음성 인식: timestamps\_granularity와 단어 start/end (2026-11-15 확인)](https://elevenlabs.io/docs/api-reference/speech-to-text/convert)
-   [FFmpeg 필터 문서: silencedetect와 whisper 필터 (2026-11-15 확인)](https://ffmpeg.org/ffmpeg-filters.html)
