BroadRouter

Sari kata bahasa Arab (SRT) daripada API speech-to-text: keperluannya

Oleh pasukan BroadNet Inference · 7 minit bacaan · Diterbitkan · Dikemas kini

Fail SRT memerlukan teks serta masa mula dan tamat bagi setiap kapsyen. API dengan cap masa perkataan atau segmen, atau eksport SRT langsung, memberi pemasaan terbaik. BroadNet Transcribe Arabic memulangkan teks sahaja, jadi potong audio pada jeda, transkripsikan setiap cebisan dan tetapkan masa kapsyen daripada ofset cebisan. Sesuai untuk ceramah dan podcast, bukan sari kata filem yang tepat pada bingkai.

Sari kata ialah teks dengan masa yang dilampirkan. Kebanyakan kerja dalam saluran sari kata bahasa Arab ialah mendapatkan masa itu. Sesetengah API speech-to-text memberikannya kepada anda sebagai cap masa perkataan atau fail SRT siap. Yang lain, termasuk BroadNet Inference, hanya memulangkan teks transkrip. Catatan ini menerangkan apa yang diperlukan fail SRT, penyedia mana yang mendokumenkan cap masa, dan cara membina sari kata bahasa Arab yang boleh digunakan daripada API teks sahaja, dengan hadnya dinyatakan secara terus terang.

BroadRouter ialah laman web BroadNet sendiri. Jika anda memerlukan pemasaan yang tepat pada bingkai, jawapan jujur di bawah ialah penyedia dengan cap masa perkataan, bukan BroadNet.

Apakah yang diperlukan fail SRT?

Fail SRT (SubRip) ialah teks biasa. Setiap kapsyen ada empat bahagian: nombor, baris masa, satu atau dua baris teks, dan 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

Penerangan format Library of Congress memberi format masa sebagai jam:minit:saat,milisaat dan anak panah sebagai dua tanda sempang dan kurungan sudut kanan. Ia juga menyebut SRT “not well standardized” (Terjemahan: tidak dipiawaikan dengan baik) dan fail SRT “do not have a character encoding standard” (Terjemahan: tiada piawaian pengekodan aksara). Untuk bahasa Arab, tulis dalam UTF-8 dan uji dalam pemain sasaran anda. WebVTT, penggantinya untuk web, menggunakan noktah dan bukannya koma sebelum milisaat.

Jadi keperluan mutlaknya ialah masa mula dan tamat bagi setiap kapsyen. Teks sahaja tidak mencukupi.

Berapakah panjang baris sari kata bahasa Arab?

Gunakan panduan gaya yang diterbitkan dan bukannya meneka. Arabic Timed Text Style Guide Netflix (log perubahan bertarikh 2025-12-19) menetapkan:

Peraturan Nilai Netflix
Aksara setiap baris 42
Baris setiap kapsyen Paling banyak dua
Kelajuan membaca, program dewasa Sehingga 20 aksara sesaat
Kelajuan membaca, program kanak-kanak Sehingga 17 aksara sesaat
Pemisahan baris Jangan pisahkan kata kerja daripada subjeknya, kata sendi daripada kata namanya, atau nombor daripada apa yang dikiranya

Keperluan am Netflix menambah minimum lima per enam saat dan maksimum 7 saat setiap kapsyen. Panduan bahasa Arab juga meminta bahasa Arab Standard Moden dalam sari kata terjemahan. Itu peraturan terjemahan; transkrip pertuturan dialek kekal dalam dialek.

Angka itu menjadi kod: balut pada 42 aksara, dua baris setiap kapsyen, beri amaran melebihi 20 aksara sesaat, dan jangan sekali-kali tahan kapsyen lebih lama daripada 7 saat.

API speech-to-text manakah yang mendokumenkan cap masa atau SRT?

Kami membaca dokumentasi semasa setiap penyedia pada 15 November 2026. Ini menyenaraikan apa yang mereka dokumenkan, bukan ketepatan pemasaannya.

Penyedia Apa yang ditawarkan dokumentasi Bahasa Arab
OpenAI response_format srt, vtt atau verbose_json, dan timestamp_granularities[] perkataan atau segmen, pada whisper-1 sahaja. gpt-4o-transcribe dan gpt-4o-mini-transcribe memulangkan json sahaja Tidak disemak. Halaman penamatan OpenAI menyenaraikan whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe dan gpt-4o-transcribe-diarize sebagai ditamatkan, semuanya ditutup pada 26 Februari 2027, dan mengesyorkan gpt-transcribe atau gpt-live-transcribe sebagai gantinya
AssemblyAI GET /v2/transcript/{transcript_id}/srt atau /vtt, dengan chars_per_caption Bahasa Arab disenaraikan pada Universal-2, dalam jalur WER 10 hingga 25%
Speechmatics format=srt pada endpoint transkrip; srt_overrides dengan max_line_length dan max_lines; item perkataan membawa start_time dan end_time Bahasa Arab, serta pek Arab-Inggeris ar_en
Deepgram Cap masa perkataan dan ujaran; pustaka kapsyen Python dan JavaScript rasmi yang menulis SRT dan WebVTT Bahasa Arab dan kod serantau pada Nova-3
ElevenLabs timestamps_granularity perkataan atau aksara; setiap perkataan ada start dan end dalam saat Bahasa Arab disenaraikan, dalam jalur WER 10 hingga 20%
BroadNet Inference {"text": ...} sahaja Model khusus bahasa Arab dan model 14 bahasa

Jika anda boleh menjalankan model sendiri, penapis whisper FFmpeg, yang dibina atas whisper.cpp, boleh menulis srt secara langsung dan mempunyai pilihan max_len untuk baris yang lebih pendek.

Untuk perbandingan awal ketepatan dan harga bahasa Arab, lihat panduan pembeli API speech-to-text bahasa Arab dan perbandingan harga speech-to-text. Cap masa ialah satu baris dalam keputusan itu, bukan satu-satunya.

Bagaimanakah membuat sari kata daripada API teks sahaja?

Anda membuat cap masa sendiri daripada tempat anda memotong audio. Langkahnya:

  1. Cari jeda. silencedetect FFmpeg merekod silence_start dan silence_end dalam saat di mana sahaja paras kekal di bawah ambang untuk tempoh minimum.
  2. Tukar jeda kepada rentang pertuturan. Semua di antara dua senyap ialah satu rentang. Hadkan rentang pada kira-kira 12 saat, supaya penutur yang tidak pernah berhenti masih menghasilkan kapsyen pendek.
  3. Transkripsikan setiap rentang. Potong kepada WAV 16 kHz mono dan hantar dengan language=ar.
  4. Tetapkan masa kapsyen. Permulaan dan penghujung rentang ialah masa sauh anda. Jika teksnya memerlukan beberapa baris, bahagikan masa rentang antara baris mengikut kadar panjangnya.
  5. Tulis SRT dan semak panjang baris, kelajuan membaca dan tempoh berbanding peraturan gaya.

Ini pemotongan yang sama seperti dalam mentranskripsi fail audio panjang, dengan matlamat berbeza. Di sana, cebisan kira-kira 10 minit dan anda hanya mementingkan teks yang disambung. Di sini, cebisan hanya beberapa saat kerana setiap satu menjadi masa kapsyen. Alat pemotong audio membina arahan FFmpeg jika anda lebih suka memotong secara manual.

Saluran dalam Python

Skrip ini menggunakan OpenAI Python SDK dan FFmpeg. Kami menjalankannya pada 15 November 2026 terhadap pelayan olok-olok tempatan yang menjawab seperti endpoint BroadNet yang didokumenkan ({"text": ...}), dengan fail ujian yang dijana berisi nada dan jurang. SRT di atas ialah outputnya. Tiada kunci BroadNet digunakan, jadi teks Arab datang daripada olok-olok, bukan daripada 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")

Jalankannya dengan BROADNET_API_KEY ditetapkan: python make_srt.py episode.wav episode.srt. Pada fail ujian, pengesanan jeda menemui rentang pada 0 hingga 2.8 s, 3.6 hingga 7.6 s, 8.8 hingga 28.8 s (dipotong pada 12 s kerana tiada jeda) dan 29.4 hingga 30.9 s, yang sepadan dengan cara fail itu dibina. Output dihurai dengan bersih oleh pakej Python srt dan ditukar kepada WebVTT dengan FFmpeg.

Talakan dua nilai pada audio anda. noise ialah paras yang dikira sebagai senyap: cuba -30 hingga -40 dB untuk pertuturan bersih dan lebih tinggi untuk bilik bising. min_silence ialah berapa lama jurang mesti berlangsung: 0.3 hingga 0.5 saat menangkap jeda antara ayat tanpa memotong setiap tarikan nafas.

Sejauh manakah ketepatan pemasaan peringkat cebisan?

Jelaskan apa yang boleh dan tidak boleh dilakukan kaedah ini.

  • Tepi rentang ialah bahagian terbaik. Permulaan dan penghujung kapsyen yang jatuh pada jeda sebenar setepat pengesanan senyap. Pada fail ujian sintetik kami ia sepadan dengan tepat; rakaman sebenar dengan bunyi nafas dan bunyi bilik lebih bercelaru.
  • Masa dalam rentang ialah anggaran. Apabila rentang memegang dua atau tiga kapsyen, skrip membahagikan masanya mengikut kiraan aksara. Penutur tidak bercakap pada kadar tetap, jadi sempadan dalaman itu boleh tersasar sesaat atau lebih.
  • Potongan tetap boleh memisahkan perkataan. Apabila rentang melepasi had 12 saat tanpa jeda, potongan jatuh di mana sahaja. Perkataan pada potongan mungkin hilang atau rosak. Naikkan noise atau turunkan min_silence dahulu, supaya lebih sedikit rentang memerlukan potongan tetap.
  • Cebisan pendek memberi model kurang konteks. Klip 3 saat mempunyai lebih sedikit perkataan di sekeliling setiap perkataan berbanding fail 10 minit. Kami belum mengukur sejauh mana ini mengubah ketepatan bahasa Arab; uji pada audio anda sendiri dengan WER.
  • Tiada label penutur. BroadNet tidak memulangkan diarisasi, jadi kapsyen tidak menyatakan siapa yang bercakap.
  • Muzik dan bunyi bising. Muzik latar boleh menyembunyikan jeda sepenuhnya. Kemudian kebanyakan rentang ialah potongan tetap, dan pemasaan menjadi lebih teruk.

Untuk kuliah, podcast, webinar dan video latihan, kapsyen dalam lingkungan sesaat daripada pertuturan biasanya boleh dibaca. Untuk drama, video muzik atau apa-apa yang diselaraskan dengan bibir, gunakan penyedia dengan cap masa perkataan atau minta penulis sari kata melaraskan fail itu.

Berapakah kosnya, dan berapa pantas?

Harga mengikut panjang audio. Sejam bahasa Arab pada BroadNet Transcribe Arabic berkos $0.25, sama ada anda menghantarnya sebagai satu fail atau 720 fail lima saat. Halaman harga BroadNet menyenaraikan harga setiap minit audio dan tiada minimum setiap fail; semak halaman penggunaan selepas episod pertama anda untuk mengesahkan.

Kelajuan mengikut bilangan permintaan. Kunci bayar ikut guna membenarkan 30 permintaan seminit dan 4 serentak. Sejam pertuturan yang dipotong kepada rentang 5 saat ialah kira-kira 720 permintaan, yang mengambil sekurang-kurangnya 720 ÷ 30 minit. Rentang lebih panjang bermakna lebih sedikit permintaan. Jika anda terkena 429, undur seperti dalam panduan ralat dan cubaan semula, dan jangan sebarkan satu tugas merentas kunci untuk mengelak had yang diterbitkan.

Di mana BroadNet Inference sesuai

BroadNet Transcribe Arabic sesuai untuk separuh teks tugas sari kata: pertuturan Arab ke teks Arab pada $0.0042 seminit, dengan audio dan transkrip tidak disimpan selepas permintaan. Kredit permulaan $5 meliputi transkripsi, jadi anda boleh menguji saluran pada episod sebenar sebelum tambah nilai. Ia tidak memulangkan cap masa, segmen, label penutur atau SRT. Jika sari kata anda memerlukan pemasaan peringkat perkataan, gunakan penyedia yang mendokumenkannya, atau jajarkan teks BroadNet dengan audio menggunakan alat penjajaran paksa (forced alignment). Bentuk permintaan dan had ada dalam rujukan API BroadNet, dan persediaan dalam panduan speech-to-text bahasa Arab.

Soalan lazim

Bolehkah saya mendapatkan fail SRT terus daripada API transkripsi BroadNet?

Tidak. Dokumentasi BroadNet menunjukkan respons JSON dengan satu medan text, dan tiada pilihan SRT, VTT atau cap masa. Metadata /v1/models-nya (disemak 2026-11-15) menyenaraikan format respons json, text dan verbose_json, tetapi tiada sumber menyatakan verbose_json membawa cap masa. Bina pemasaan sendiri daripada ofset cebisan, seperti dalam catatan ini, atau gunakan penyedia yang mendokumenkan cap masa.

API speech-to-text manakah yang mengeksport SRT untuk bahasa Arab?

Antara yang kami semak pada 15 November 2026, AssemblyAI (endpoint sari kata, bahasa Arab pada Universal-2) dan Speechmatics (format=srt, bahasa Arab dan pek Arab-Inggeris) mendokumenkan eksport SRT. OpenAI mendokumenkan SRT pada whisper-1, yang sudah ditamatkan. Deepgram mendokumenkan pustaka kapsyen yang dibina atas cap masanya.

Berapakah aksara setiap baris untuk sari kata bahasa Arab?

Arabic Timed Text Style Guide Netflix menetapkan 42 aksara setiap baris dan maksimum dua baris. Had kelajuan membacanya untuk program dewasa ialah sehingga 20 aksara sesaat, dan 17 untuk program kanak-kanak.

Sejauh manakah ketepatan sari kata yang dimasakan daripada cebisan audio?

Permulaan dan penghujung setiap cebisan setepat pengesanan jeda, jadi talakannya pada audio anda. Kapsyen dalam cebisan mendapat masa yang dianggarkan daripada panjang teks, jadi ia boleh tersasar sesaat atau lebih. Itu sesuai untuk ceramah dan podcast, bukan drama yang diselaraskan dengan bibir.

Mengapakah tanda baca SRT bahasa Arab saya muncul di sebelah yang salah?

SRT tiada penanda arah, jadi pemain yang menentukan cara susun atur teks kanan ke kiri. Uji fail dalam pemain yang digunakan penonton anda. Jika tanda baca beralih, cuba format dengan gaya yang lebih kaya atau tetapan pemain untuk teks RTL.

Adakah memotong audio kepada cebisan pendek lebih mahal?

BroadNet mengenakan harga transkripsi setiap minit audio, jadi jumlah audio sama. Namun ia bermakna lebih banyak permintaan: cebisan pendek lebih cepat mencecah had bayar ikut guna 30 permintaan seminit. Semak halaman penggunaan anda selepas larian pertama untuk mengesahkan pengebilan.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity

Sumber