Um arquivo de legenda é uma transcrição com um relógio acoplado. Conseguir o texto é a metade fácil; os tempos são a metade difícil.
Como funciona
Um arquivo SRT é texto puro. Cada bloco de legenda tem quatro partes:
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
A descrição do formato da Library of Congress dá o formato do tempo como horas:minutos:segundos,milissegundos, com “two hyphens (—) and a right-pointing angle bracket (>)” (tradução: dois hífens (—) e um sinal de maior (>)) entre início e fim, e uma linha em branco depois de cada bloco. Ela chama o SRT de “a very simple text format, but not well standardized” (tradução: um formato de texto muito simples, mas pouco padronizado), sem padrão de codificação de caracteres. A extensão é .srt.
O WebVTT, formato do W3C para trilhas de texto de vídeo em HTML, é quase igual. A especificação exige uma primeira linha WEBVTT, ponto antes dos milissegundos (00:00:10.700), codificação UTF-8 e o media type text/vtt. Em 15 de novembro de 2026, ele é uma Candidate Recommendation Draft do W3C.
Por que isso importa
- Os tempos vêm da API ou de você. Algumas APIs de speech-to-text devolvem timestamps por palavra ou por segmento, ou um arquivo pronto. A referência de transcrição da OpenAI lista
srtevttentre os valores deresponse_format, mas diz que o formato depende do modelo e quegpt-4o-transcribeegpt-4o-mini-transcribedevolvem sójson. - Layout do árabe. O SRT não tem marcação de direção, então é o player que decide como exibir texto e pontuação da direita para a esquerda. Veja texto RTL.
- Regras de legibilidade. Tamanho da linha, linhas por legenda e velocidade de leitura são definidos por guias de estilo, não pelo formato.
Na BroadNet Inference
O endpoint de transcrição da BroadNet devolve texto sem timestamps, então não consegue gerar SRT diretamente. A abordagem que funciona, testada em legendas em árabe (SRT) com uma API de speech-to-text:
- Encontre as pausas com o
silencedetectdo FFmpeg (ou com um VAD). - Corte cada trecho de fala, com no máximo uns 12 segundos, em WAV mono de 16 kHz.
- Transcreva cada trecho com
language=arno BroadNet Transcribe Arabic. - Use o início e o fim de cada trecho como tempos da legenda, dividindo-os entre as linhas na proporção do tamanho do texto.
- Escreva os blocos SRT numerados.
As bordas dos trechos são tão precisas quanto a sua detecção de pausas; os tempos dentro de um trecho são estimativas. Isso serve para palestras e podcasts, não para dramaturgia com sincronia labial. Para tempos precisos por quadro, use um provedor que documente timestamps por palavra. Trechos curtos também significam mais requisições, então fique de olho no limite do pagamento por uso de 30 requisições por minuto. A ferramenta para dividir áudio escreve os comandos do FFmpeg.
Erros comuns
- Pontos em vez de vírgulas nos tempos do SRT, ou o contrário no WebVTT. Muitos players rejeitam o formato errado.
- Falta de linhas em branco entre os blocos, o que junta as legendas.