---
title: "Sari kata SRT bahasa Arab daripada API speech-to-text"
description: "Keperluan fail SRT, API speech-to-text mana yang memberi cap masa atau SRT untuk bahasa Arab, dan saluran teruji untuk sari kata daripada API teks sahaja."
url: https://broadrouter.com/ms/blog/arabic-subtitles-srt-api/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/arabic-subtitles-srt-api/) (dikemas kini 2026-11-16).

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

Oleh pasukan BroadNet Inference · 7 minit bacaan · Diterbitkan 2026-11-15 · Dikemas kini 2026-11-16

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.

## Perkara utama

-   SRT ialah senarai kapsyen bernombor, setiap satu dengan baris hh:mm:ss,mmm --> hh:mm:ss,mmm. Library of Congress mencatat ia tiada spesifikasi rasmi dan tiada piawaian pengekodan aksara.
-   Respons transkripsi BroadNet yang didokumenkan ialah {"text": ...} sahaja: tiada cap masa, tiada segmen dan tiada output SRT.
-   OpenAI mendokumenkan SRT dan cap masa perkataan hanya pada whisper-1, yang disenaraikan untuk ditutup pada 26 Februari 2027. AssemblyAI dan Speechmatics mendokumenkan eksport SRT; Deepgram dan ElevenLabs mendokumenkan cap masa perkataan.
-   Panduan bahasa Arab Netflix menetapkan 42 aksara setiap baris, dua baris dan sehingga 20 aksara sesaat untuk program dewasa; panduan amnya mengehadkan kapsyen kepada 7 saat.
-   Pemasaan peringkat cebisan hanya setepat jeda anda. Dalam satu cebisan, masa kapsyen dianggarkan daripada panjang teks.

**Dalam halaman ini**

1.  Apakah yang diperlukan fail SRT?
2.  Berapakah panjang baris sari kata bahasa Arab?
3.  API speech-to-text manakah yang mendokumenkan cap masa atau SRT?
4.  Bagaimanakah membuat sari kata daripada API teks sahaja?
5.  Saluran dalam Python
6.  Sejauh manakah ketepatan pemasaan peringkat cebisan?
7.  Berapakah kosnya, dan berapa pantas?
8.  Di mana BroadNet Inference sesuai

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.

```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
```

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](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/) dan [perbandingan harga speech-to-text](https://broadrouter.com/ms/blog/speech-to-text-api-pricing-compared/). 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](https://broadrouter.com/ms/blog/transcribe-long-audio-files-api/), 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](https://broadrouter.com/tools/audio-splitter-ffmpeg/) 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.

```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")
```

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](https://broadrouter.com/ms/blog/arabic-asr-wer-explained/).
-   **Tiada label penutur.** BroadNet tidak memulangkan [diarisasi](https://broadrouter.com/ms/glossary/diarization/), 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](https://broadrouter.com/ms/glossary/timestamps-asr/) 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](https://broadrouter.com/ms/guides/errors-and-retries/), 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](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-subtitles-srt-api&utm_content=body), dan persediaan dalam [panduan speech-to-text bahasa Arab](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/).

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [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.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Sari kata SRT (SRT subtitles)](https://broadrouter.com/ms/glossary/srt-subtitles/)

SRT (SubRip) ialah format sari kata teks biasa. Setiap kapsyen terdiri daripada nombor urutan, masa mula dan tamat yang ditulis sebagai hh:mm:ss,mmm --> hh:mm:ss,mmm, satu atau lebih baris teks, dan satu baris kosong. WebVTT ialah format web serupa yang digunakan oleh video HTML.

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

[Speech-to-text (pertuturan kepada teks)](https://broadrouter.com/ms/glossary/speech-to-text/)

Speech-to-text, juga dipanggil pengecaman pertuturan automatik (ASR), ialah teknologi yang menukar audio pertuturan kepada teks bertulis. API speech-to-text menerima fail atau strim audio dan memulangkan transkrip, biasanya berharga setiap minit audio. Ketepatan diukur dengan kadar ralat perkataan dan berbeza mengikut loghat, dialek dan kualiti rakaman.

[Bayar ikut guna (pay-as-you-go)](https://broadrouter.com/ms/glossary/pay-as-you-go/)

Bayar ikut guna ialah model harga di mana anda hanya membayar apa yang anda guna, dimeter mengikut unit seperti token, permintaan atau minit audio, tanpa langganan atau komitmen minimum. Kebanyakan API LLM mengebil dengan cara ini, daripada baki prabayar atau invois berkala.

[Cap masa (timestamps) dalam speech-to-text](https://broadrouter.com/ms/glossary/timestamps-asr/)

Cap masa dalam speech-to-text ialah masa mula dan tamat, dalam saat, yang dilampirkan pada bahagian transkrip. Cap masa segmen meliputi satu frasa atau ayat; cap masa perkataan meliputi setiap perkataan. Ia diperlukan untuk sari kata, carian dalam rakaman dan menyelaraskan teks dengan penutur.

[Diarisasi penutur (speaker diarization)](https://broadrouter.com/ms/glossary/diarization/)

Diarisasi penutur ialah tugas membahagikan rakaman audio kepada segmen mengikut penutur, menjawab soalan "siapa bercakap dan bila". Ia melabelkan setiap bahagian pertuturan dengan ID penutur tanpa nama seperti SPEAKER\_00, dan biasanya digabungkan dengan transkrip untuk menunjukkan siapa yang menyebut setiap baris.

[Kadar ralat perkataan (word error rate, WER)](https://broadrouter.com/ms/glossary/word-error-rate/)

Kadar ralat perkataan (WER) ialah ukuran ketepatan standard untuk pengecaman pertuturan: bilangan penggantian, pemadaman dan penyisipan perkataan yang diperlukan untuk menukar transkrip kepada rujukan yang betul, dibahagi dengan bilangan perkataan dalam rujukan. Lebih rendah lebih baik.

[Had kadar (rate limit)](https://broadrouter.com/ms/glossary/rate-limit/)

Had kadar ialah had yang ditetapkan oleh API ke atas jumlah penggunaan klien dalam satu tempoh masa, seperti permintaan seminit atau token seminit. Permintaan yang melebihi had ditolak, biasanya dengan HTTP 429 Too Many Requests, sehingga penggunaan turun semula di bawahnya.

## 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.

## Teruskan membaca

-   [Transkripsi audio panjang melebihi 25 MB: pecah, hantar, cantum](https://broadrouter.com/ms/blog/transcribe-long-audio-files-api/)
-   [API speech-to-text bahasa Arab: cara memilih pada 2026](https://broadrouter.com/ms/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Alternatif API Whisper: bila perlu bertukar, dan cara mengujinya](https://broadrouter.com/ms/blog/whisper-api-alternative/)
-   [Minit mesyuarat bahasa Arab daripada rakaman: saluran API](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/)
-   [Harga API speech-to-text dibandingkan: harga seminit pada 2026](https://broadrouter.com/ms/blog/speech-to-text-api-pricing-compared/)
-   [Tambah baris pada teks Arab dengan LLM: prompt, semakan dan DER](https://broadrouter.com/ms/blog/arabic-diacritization-llm/)
-   [Pembetulan tatabahasa dan ejaan bahasa Arab dengan LLM: panduan](https://broadrouter.com/ms/blog/arabic-grammar-spelling-correction-llm/)
-   [Panduan: API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/)
-   [Panduan: Kod ralat BroadNet Inference dan bila perlu cuba semula](https://broadrouter.com/ms/guides/errors-and-retries/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [Rujukan API BroadNet Inference: permintaan transkripsi dan respons {"text": ...}, had bayar ikut guna (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-subtitles-srt-api&utm_content=sources)
-   [Library of Congress, Sustainability of Digital Formats: penerangan format SubRip (SRT) fdd000569 (disemak 2026-11-15)](https://www.loc.gov/preservation/digital/formats/fdd/fdd000569.shtml)
-   [Netflix Partner Help Center, Arabic Timed Text Style Guide: 42 aksara setiap baris, had kelajuan membaca (disemak 2026-11-15)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215517947)
-   [Netflix Partner Help Center, Timed Text Style Guide: General Requirements, tempoh minimum dan maksimum (disemak 2026-11-15)](https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements)
-   [Rujukan API OpenAI, create transcription: response\_format dan timestamp\_granularities mengikut model (disemak 2026-11-15)](https://developers.openai.com/api/reference/resources/audio/subresources/transcriptions/methods/create)
-   [Panduan speech-to-text OpenAI: timestamp\_granularities hanya pada whisper-1, tarikh penamatan (disemak 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Penamatan OpenAI: whisper-1 dan model transkripsi gpt-4o ditutup pada 26 Februari 2027; pengganti gpt-transcribe atau gpt-live-transcribe (disemak 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Rujukan API AssemblyAI, Get subtitles: endpoint sari kata transkrip, format SRT atau VTT (disemak 2026-11-15)](https://www.assemblyai.com/docs/api-reference/transcripts/get-subtitles)
-   [AssemblyAI, bahasa yang disokong untuk audio prarakam (disemak 2026-11-15)](https://www.assemblyai.com/docs/pre-recorded-audio/supported-languages)
-   [Dokumentasi Speechmatics, format output kelompok: format=srt dan srt\_overrides (disemak 2026-11-15)](https://docs.speechmatics.com/speech-to-text/batch/output)
-   [Dokumentasi Speechmatics, bahasa yang disokong: bahasa Arab dan pek dwibahasa ar\_en (disemak 2026-11-15)](https://docs.speechmatics.com/speech-to-text/languages)
-   [Dokumentasi Deepgram, menjana kapsyen WebVTT dan SRT secara automatik (disemak 2026-11-15)](https://developers.deepgram.com/docs/automatically-generating-webvtt-and-srt-captions)
-   [Dokumentasi Deepgram, gambaran keseluruhan model dan bahasa: bahasa Arab pada Nova-3 (disemak 2026-11-15)](https://developers.deepgram.com/docs/models-languages-overview)
-   [Rujukan API ElevenLabs, speech-to-text: timestamps\_granularity dan start/end perkataan (disemak 2026-11-15)](https://elevenlabs.io/docs/api-reference/speech-to-text/convert)
-   [Dokumentasi penapis FFmpeg: penapis silencedetect dan whisper (disemak 2026-11-15)](https://ffmpeg.org/ffmpeg-filters.html)
