Субтитры — это текст с привязанным временем. Большая часть работы в конвейере арабских субтитров — получить это время. Одни API распознавания речи отдают его в виде временных меток слов или готового файла SRT. Другие, включая BroadNet Inference, возвращают только текст расшифровки. В этой статье — что нужно файлу SRT, какие провайдеры документируют временные метки и как собрать пригодные арабские субтитры из API, который отдаёт только текст, с прямо названными ограничениями.
BroadRouter — собственный сайт BroadNet. Если вам нужен покадрово точный тайминг, честный ответ ниже — провайдер с временными метками слов, а не BroadNet.
Что нужно файлу SRT?
Файл SRT (SubRip) — это простой текст. У каждого субтитра четыре части: номер, строка времени, одна или две строки текста и пустая строка.
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
Описание формата от Библиотеки Конгресса задаёт формат времени как часы:минуты:секунды,миллисекунды, а стрелку — как два дефиса и правую угловую скобку. Там же сказано, что SRT “not well standardized” (перевод: «плохо стандартизирован») и что файлы SRT “do not have a character encoding standard” (перевод: «не имеют стандарта кодировки символов»). Для арабского пишите в UTF-8 и проверяйте в целевом плеере. WebVTT, его веб-преемник, использует перед миллисекундами точку вместо запятой.
Итак, жёсткое требование — время начала и конца каждого субтитра. Одного текста недостаточно.
Какой длины должна быть строка арабских субтитров?
Используйте опубликованное руководство по стилю, а не догадки. Арабское руководство Netflix по субтитрам (Arabic Timed Text Style Guide, журнал изменений от 2025-12-19) задаёт:
| Правило | Значение Netflix |
|---|---|
| Символов в строке | 42 |
| Строк в субтитре | Не больше двух |
| Скорость чтения, взрослые программы | До 20 символов в секунду |
| Скорость чтения, детские программы | До 17 символов в секунду |
| Переносы строк | Не отделять глагол от подлежащего, предлог от существительного, число от того, что оно считает |
Общие требования Netflix добавляют минимум в пять шестых секунды и максимум в 7 секунд на субтитр. Арабское руководство также требует современного стандартного арабского в переведённых субтитрах. Это правило для перевода; расшифровка диалектной речи остаётся на диалекте.
Эти числа превращаются в код: перенос на 42 символах, две строки на субтитр, предупреждение выше 20 символов в секунду и никогда не держать субтитр дольше 7 секунд.
Какие API распознавания речи документируют временные метки или SRT?
Мы прочитали актуальную документацию каждого провайдера 15 ноября 2026 года. Здесь перечислено то, что они документируют, а не то, насколько точен тайминг.
| Провайдер | Что предлагает документация | Арабский |
|---|---|---|
| OpenAI | response_format srt, vtt или verbose_json и timestamp_granularities[] по словам или сегментам — только для whisper-1. gpt-4o-transcribe и gpt-4o-mini-transcribe возвращают только json |
Не проверяли. Страница OpenAI о выводе из эксплуатации называет whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe и gpt-4o-transcribe-diarize устаревшими, все отключаются 26 февраля 2027 года, а вместо них рекомендуются gpt-transcribe или gpt-live-transcribe |
| AssemblyAI | GET /v2/transcript/{transcript_id}/srt или /vtt, с chars_per_caption |
Арабский указан для Universal-2, в диапазоне WER 10–25% |
| Speechmatics | format=srt на эндпоинте транскрипта; srt_overrides с max_line_length и max_lines; элементы-слова содержат start_time и end_time |
Арабский, плюс арабско-английский пакет ar_en |
| Deepgram | Временные метки слов и высказываний; официальные библиотеки субтитров для Python и JavaScript, которые пишут SRT и WebVTT | Арабский и региональные коды на Nova-3 |
| ElevenLabs | timestamps_granularity по словам или символам; у каждого слова есть start и end в секундах |
Арабский указан, в диапазоне WER 10–20% |
| BroadNet Inference | Только {"text": ...} |
Модель специально для арабского и модель на 14 языков |
Если вы можете запускать модели сами, фильтр FFmpeg whisper, собранный с whisper.cpp, умеет писать srt напрямую и имеет параметр max_len для более коротких строк.
Для первого сравнения точности и цены на арабском читайте руководство покупателя API распознавания арабской речи и сравнение цен на распознавание речи. Временные метки — одна строка в этом решении, а не единственная.
Как сделать субтитры из API, который отдаёт только текст?
Вы сами получаете временные метки из мест, где режете аудио. Шаги:
- Найдите паузы. Фильтр FFmpeg
silencedetectзаписывает в логsilence_startиsilence_endв секундах везде, где уровень держится ниже порога заданное минимальное время. - Превратите паузы в отрезки речи. Всё между двумя паузами — один отрезок. Ограничьте отрезки примерно 12 секундами, чтобы даже говорящий без пауз давал короткие субтитры.
- Распознайте каждый отрезок. Вырежьте его в WAV 16 кГц моно и отправьте с
language=ar. - Рассчитайте время субтитров. Начало и конец отрезка — ваши опорные времена. Если его текст занимает несколько строк, разделите время отрезка между ними пропорционально их длине.
- Запишите SRT и проверьте длину строк, скорость чтения и длительность по правилам стиля.
Это та же нарезка, что и в статье о транскрибации длинных аудиофайлов, но с другой целью. Там фрагменты около 10 минут, и важен только склеенный текст. Здесь фрагменты длиной в секунды, потому что каждый становится временем субтитров. Если предпочитаете резать вручную, команды FFmpeg соберёт инструмент для нарезки аудио.
Конвейер на Python
Скрипт использует OpenAI Python SDK и FFmpeg. Мы запустили его 15 ноября 2026 года на локальном mock-сервере, который отвечает так же, как задокументированный эндпоинт BroadNet ({"text": ...}), со сгенерированным тестовым файлом из тонов и пауз. SRT выше — его вывод. Ключ BroadNet не использовался, поэтому арабский текст пришёл от mock-сервера, а не от модели.
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")
Запускайте с заданным BROADNET_API_KEY: python make_srt.py episode.wav episode.srt. На тестовом файле определение пауз нашло отрезки 0–2,8 с, 3,6–7,6 с, 8,8–28,8 с (разрезан по 12 с, потому что пауз в нём не было) и 29,4–30,9 с, что совпало с тем, как файл был собран. Вывод без ошибок разобрался пакетом Python srt и сконвертировался в WebVTT с помощью FFmpeg.
Настройте под своё аудио два значения. noise — уровень, который считается тишиной: попробуйте от -30 до -40 дБ для чистой речи и выше для шумных помещений. min_silence — сколько должна длиться пауза: 0,3–0,5 секунды ловят паузы между предложениями, не разрезая на каждом вдохе.
Насколько точен тайминг на уровне фрагментов?
Будьте честны в том, что этот метод может, а что нет.
- Границы отрезков — самая точная часть. Начала и концы субтитров, приходящиеся на настоящую паузу, точны настолько, насколько точно определение тишины. На нашем синтетическом тестовом файле они совпали точно; реальные записи с дыханием и шумом помещения сложнее.
- Время внутри отрезка — оценка. Когда в отрезке два-три субтитра, скрипт делит его время по числу символов. Люди говорят не с постоянной скоростью, поэтому внутренние границы могут ошибаться на секунду и больше.
- Фиксированные разрезы могут разрубить слово. Когда отрезок превышает 12-секундный предел без паузы, разрез попадает куда придётся. Слово на разрезе может потеряться или исказиться. Сначала поднимите
noiseили уменьшитеmin_silence, чтобы фиксированный разрез требовался меньшему числу отрезков. - Короткие фрагменты дают модели меньше контекста. Вокруг каждого слова в 3-секундном клипе меньше слов, чем в 10-минутном файле. Мы не измеряли, насколько это меняет точность на арабском; проверьте на своём аудио с помощью WER.
- Нет меток говорящих. BroadNet не возвращает диаризацию, поэтому субтитры не говорят, кто говорит.
- Музыка и шум. Фоновая музыка может полностью скрыть паузы. Тогда большинство отрезков режутся фиксированно, и тайминг ухудшается.
Для лекций, подкастов, вебинаров и обучающих видео субтитры с отклонением в пределах секунды от речи обычно читаются нормально. Для драмы, музыкальных клипов и всего, что синхронизировано по губам, используйте провайдера с временными метками слов или отдайте файл на доработку специалисту по субтитрам.
Сколько это стоит и как быстро работает?
Цена следует за длиной аудио. Час арабского на BroadNet Transcribe Arabic стоит $0.25 — неважно, отправите вы его одним файлом или 720 пятисекундными. На странице цен BroadNet указана цена за минуту аудио и нет минимума на файл; после первого эпизода проверьте страницу использования, чтобы убедиться.
Скорость следует за числом запросов. Ключ с оплатой по факту допускает 30 запросов в минуту и 4 одновременных. Час речи, нарезанный на 5-секундные отрезки, — около 720 запросов, а это не меньше 720 ÷ 30 минут. Более длинные отрезки — меньше запросов. Если получаете 429, делайте паузу и повторяйте, как в руководстве по ошибкам и повторам, и не распределяйте одно задание по нескольким ключам ради обхода опубликованных лимитов.
Где здесь BroadNet Inference
BroadNet Transcribe Arabic подходит для текстовой половины работы над субтитрами: арабская речь в арабский текст за $0.0042 за минуту, без хранения аудио и расшифровок после запроса. Стартовый грант $5 покрывает транскрибацию, так что конвейер можно проверить на реальных эпизодах до пополнения баланса. Временных меток, сегментов, меток говорящих и SRT он не возвращает. Если субтитрам нужен тайминг на уровне слов, используйте провайдера, который его документирует, или выровняйте текст BroadNet по аудио инструментом принудительного выравнивания (forced alignment). Форматы запросов и лимиты — в справочнике BroadNet API, настройка — в руководстве по распознаванию арабской речи.
