Fail sari kata ialah transkrip yang disertakan jam. Mendapatkan teks ialah separuh yang mudah; masanya ialah separuh yang sukar.
Cara ia berfungsi
Fail SRT ialah teks biasa. Setiap blok kapsyen mempunyai empat bahagian:
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
Penerangan format oleh Library of Congress memberikan format masa sebagai jam:minit:saat,milisaat, dengan “two hyphens (—) and a right-pointing angle bracket (>)” (Terjemahan BroadRouter: “dua sempang (—) dan satu kurungan sudut yang menghala ke kanan (>)”) di antara masa mula dan tamat, serta baris kosong selepas setiap blok. Ia menyebut SRT sebagai “a very simple text format, but not well standardized,” (Terjemahan BroadRouter: “format teks yang sangat ringkas, tetapi tidak dipiawaikan dengan baik,”) tanpa piawaian pengekodan aksara. Sambungan failnya ialah .srt.
WebVTT, format W3C untuk trek teks video HTML, kelihatan hampir sama. Spesifikasinya mewajibkan baris pertama WEBVTT, noktah sebelum milisaat (00:00:10.700), pengekodan UTF-8 dan jenis media text/vtt. Setakat 15 November 2026, ia ialah W3C Candidate Recommendation Draft.
Mengapa ia penting
- Masa datang daripada API, atau daripada anda. Sesetengah API speech-to-text memulangkan cap masa perkataan atau segmen, atau fail yang siap. Rujukan transkripsi OpenAI menyenaraikan
srtdanvttantara nilairesponse_format-nya, tetapi menyatakan format bergantung pada model dangpt-4o-transcribesertagpt-4o-mini-transcribehanya memulangkanjson. - Susun atur bahasa Arab. SRT tiada markup arah, jadi pemain yang menentukan cara teks kanan ke kiri dan tanda baca dipaparkan. Lihat teks kanan ke kiri.
- Peraturan kebolehbacaan. Panjang baris, bilangan baris setiap kapsyen dan kelajuan membaca ditetapkan oleh panduan gaya, bukan oleh format.
Di BroadNet Inference
Endpoint transkripsi BroadNet memulangkan teks tanpa cap masa, jadi ia tidak boleh menghasilkan SRT secara terus. Pendekatan yang berkesan, yang diuji dalam sari kata Arab (SRT) daripada API speech-to-text:
- Cari jeda dengan
silencedetectFFmpeg (atau VAD). - Potong setiap rentang pertuturan, maksimum kira-kira 12 saat, kepada WAV mono 16 kHz.
- Transkripsikan setiap rentang dengan
language=arpada BroadNet Transcribe Arabic. - Gunakan masa mula dan tamat setiap rentang sebagai masa kapsyen, dan bahagikannya antara baris mengikut nisbah panjang teks.
- Tulis blok SRT yang bernombor.
Sempadan rentang hanya setepat pengesanan jeda anda; masa di dalam satu rentang ialah anggaran. Itu sesuai untuk ceramah dan podcast, bukan drama yang perlu selari dengan gerak bibir. Untuk masa yang tepat hingga ke bingkai, gunakan penyedia yang mendokumenkan cap masa perkataan. Rentang yang pendek juga bermakna lebih banyak permintaan, jadi perhatikan had bayar ikut guna sebanyak 30 permintaan seminit. Alat pemecah audio menulis arahan FFmpeg untuk anda.
Kesilapan biasa
- Noktah dan bukannya koma dalam masa SRT, atau sebaliknya dalam WebVTT. Banyak pemain menolak format yang salah.
- Baris kosong yang tertinggal antara blok, yang menggabungkan kapsyen.