سب ٹائٹلز وقت سے جڑا ہوا متن ہیں۔ عربی سب ٹائٹل پائپ لائن کا زیادہ تر کام وہی وقت حاصل کرنا ہے۔ کچھ speech-to-text APIs انہیں لفظی ٹائم اسٹیمپس یا تیار SRT فائل کی شکل میں دے دیتے ہیں۔ دوسرے، جن میں BroadNet Inference بھی ہے، صرف ٹرانسکرپٹ کا متن لوٹاتے ہیں۔ یہ پوسٹ بتاتی ہے کہ SRT فائل کو کیا چاہیے، کون سے فراہم کنندگان ٹائم اسٹیمپس دستاویزی کرتے ہیں، اور صرف متن والے API سے قابل استعمال عربی سب ٹائٹلز کیسے بنائیں، حدیں صاف صاف بتاتے ہوئے۔
BroadRouter، BroadNet کی اپنی سائٹ ہے۔ اگر آپ کو فریم کی حد تک درست ٹائمنگ چاہیے تو نیچے کا دیانت دار جواب لفظی ٹائم اسٹیمپس والا فراہم کنندہ ہے، BroadNet نہیں۔
SRT فائل کو کیا چاہیے؟
SRT (SubRip) فائل سادہ متن ہے۔ ہر کیپشن کے چار حصے ہوتے ہیں: ایک نمبر، ایک وقت والی لائن، متن کی ایک یا دو لائنیں، اور ایک خالی لائن۔
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
Library of Congress کی فارمیٹ تفصیل وقت کا فارمیٹ گھنٹے:منٹ:سیکنڈ،ملی سیکنڈ بتاتی ہے اور تیر کو دو ہائفن اور ایک دایاں زاویہ دار بریکٹ۔ یہ یہ بھی کہتی ہے کہ SRT “not well standardized” (ترجمہ: اچھی طرح معیاری نہیں) ہے اور SRT فائلیں “do not have a character encoding standard” (ترجمہ: کا کوئی character encoding معیار نہیں)۔ عربی کے لیے UTF-8 لکھیں اور اپنے ہدف پلیئر میں ٹیسٹ کریں۔ WebVTT، اس کا ویب جانشین، ملی سیکنڈ سے پہلے کوما کی جگہ فل اسٹاپ استعمال کرتا ہے۔
تو سخت ضرورت ہر کیپشن کے لیے آغاز اور اختتام کا وقت ہے۔ صرف متن کافی نہیں۔
عربی سب ٹائٹل کی لائن کتنی لمبی ہونی چاہیے؟
اندازہ لگانے کی بجائے کوئی شائع شدہ اسٹائل گائیڈ استعمال کریں۔ Netflix کی Arabic Timed Text Style Guide (change log کی تاریخ 2025-12-19) یہ طے کرتی ہے:
| اصول | Netflix کی قدر |
|---|---|
| فی لائن حروف | 42 |
| فی کیپشن لائنیں | زیادہ سے زیادہ دو |
| پڑھنے کی رفتار، بالغوں کے پروگرام | فی سیکنڈ 20 حروف تک |
| پڑھنے کی رفتار، بچوں کے پروگرام | فی سیکنڈ 17 حروف تک |
| لائن توڑنا | فعل کو اس کے فاعل سے، حرف جار کو اس کے اسم سے، یا عدد کو گنی جانے والی چیز سے الگ نہ کریں |
Netflix کی عمومی ضروریات فی کیپشن کم از کم سیکنڈ کا پانچ چھٹا حصہ اور زیادہ سے زیادہ 7 سیکنڈ شامل کرتی ہیں۔ عربی گائیڈ ترجمہ شدہ سب ٹائٹلز میں جدید معیاری عربی بھی مانگتی ہے۔ یہ ترجمے کا اصول ہے؛ لہجے والی گفتگو کا ٹرانسکرپٹ لہجے ہی میں رہتا ہے۔
یہ اعداد کوڈ بن جاتے ہیں: 42 حروف پر لائن توڑیں، فی کیپشن دو لائنیں، فی سیکنڈ 20 حروف سے اوپر انتباہ دیں، اور کوئی کیپشن 7 سیکنڈ سے زیادہ نہ روکیں۔
کون سے speech-to-text APIs ٹائم اسٹیمپس یا SRT دستاویزی کرتے ہیں؟
ہم نے 15 نومبر 2026 کو ہر فراہم کنندہ کے موجودہ ڈاکس پڑھے۔ یہ فہرست بتاتی ہے کہ وہ کیا دستاویزی کرتے ہیں، یہ نہیں کہ ٹائمنگ کتنی درست ہے۔
| فراہم کنندہ | ڈاکس کیا پیش کرتے ہیں | عربی |
|---|---|---|
| OpenAI | response_format srt، vtt یا verbose_json، اور timestamp_granularities[] word یا segment، صرف whisper-1 پر۔ gpt-4o-transcribe اور gpt-4o-mini-transcribe صرف json لوٹاتے ہیں |
چیک نہیں کیا گیا۔ OpenAI کا deprecations صفحہ whisper-1، gpt-4o-transcribe، gpt-4o-mini-transcribe اور gpt-4o-transcribe-diarize کو فرسودہ قرار دیتا ہے، سب 26 فروری 2027 کو بند ہوں گے، اور ان کی جگہ gpt-transcribe یا gpt-live-transcribe کی سفارش کرتا ہے |
| AssemblyAI | GET /v2/transcript/{transcript_id}/srt یا /vtt، chars_per_caption کے ساتھ |
Universal-2 پر عربی درج، اس کے 10 سے 25% WER والے زمرے میں |
| Speechmatics | transcript اینڈپوائنٹ پر format=srt؛ max_line_length اور max_lines کے ساتھ srt_overrides؛ لفظی آئٹمز میں start_time اور end_time |
عربی، اور ایک ar_en عربی انگریزی پیک |
| Deepgram | لفظ اور utterance ٹائم اسٹیمپس؛ SRT اور WebVTT لکھنے والی سرکاری Python اور JavaScript کیپشن لائبریریاں | Nova-3 پر عربی اور علاقائی کوڈز |
| ElevenLabs | timestamps_granularity word یا character؛ ہر لفظ کا start اور end سیکنڈز میں |
عربی درج، اس کے 10 سے 20% WER والے زمرے میں |
| BroadNet Inference | صرف {"text": ...} |
عربی کے لیے مخصوص ماڈل اور 14 زبانوں والا ماڈل |
اگر آپ ماڈلز خود چلا سکتے ہیں تو whisper.cpp کے ساتھ بنا FFmpeg کا whisper filter براہ راست srt لکھ سکتا ہے اور چھوٹی لائنوں کے لیے اس میں max_len آپشن ہے۔
عربی درستگی اور قیمت کے پہلے موازنے کے لیے عربی speech-to-text API خریدار گائیڈ اور speech-to-text قیمتوں کا موازنہ دیکھیں۔ اس فیصلے میں ٹائم اسٹیمپس ایک قطار ہیں، واحد نہیں۔
صرف متن والے API سے سب ٹائٹلز کیسے بنائیں؟
آپ آڈیو جہاں کاٹتے ہیں، وہیں سے اپنے ٹائم اسٹیمپس بناتے ہیں۔ مراحل:
- وقفے ڈھونڈیں۔ FFmpeg کا
silencedetectجہاں بھی سطح کسی حد سے نیچے کم از کم وقت تک رہتی ہے، وہاںsilence_startاورsilence_endسیکنڈز میں لاگ کرتا ہے۔ - وقفوں کو گفتگو کے حصوں میں بدلیں۔ دو خاموشیوں کے درمیان کا سب کچھ ایک حصہ ہے۔ حصوں کو تقریباً 12 سیکنڈ پر محدود کریں، تاکہ کبھی نہ رکنے والا مقرر بھی مختصر کیپشنز دے۔
- ہر حصہ ٹرانسکرائب کریں۔ اسے 16 kHz mono WAV میں کاٹیں اور
language=arکے ساتھ بھیجیں۔ - کیپشنز کا وقت طے کریں۔ حصے کا آغاز اور اختتام آپ کے بنیادی اوقات ہیں۔ اگر اس کے متن کو کئی لائنیں چاہییں تو حصے کا وقت ان کی لمبائی کے تناسب سے بانٹیں۔
- SRT لکھیں اور لائن کی لمبائی، پڑھنے کی رفتار اور دورانیے کو اسٹائل اصولوں سے چیک کریں۔
یہ وہی تقسیم ہے جو لمبی آڈیو فائلیں ٹرانسکرائب کرنے میں ہے، بس مقصد مختلف ہے۔ وہاں chunks تقریباً 10 منٹ کے ہوتے ہیں اور آپ کو صرف جڑے ہوئے متن کی پروا ہوتی ہے۔ یہاں chunks چند سیکنڈ کے ہوتے ہیں، کیونکہ ہر ایک کیپشن کا وقت بنتا ہے۔ اگر آپ ہاتھ سے کاٹنا پسند کرتے ہیں تو آڈیو اسپلٹر ٹول FFmpeg کمانڈز بناتا ہے۔
Python میں پائپ لائن
یہ اسکرپٹ OpenAI Python SDK اور FFmpeg استعمال کرتی ہے۔ ہم نے اسے 15 نومبر 2026 کو ایک لوکل mock سرور پر چلایا، جو BroadNet کے دستاویزی اینڈپوائنٹ ({"text": ...}) کی طرح جواب دیتا ہے، اور ٹونز اور خالی جگہوں والی ایک بنائی گئی ٹیسٹ فائل کے ساتھ۔ اوپر والا SRT اسی کا آؤٹ پٹ ہے۔ کوئی BroadNet کلید استعمال نہیں ہوئی، اس لیے عربی متن mock سے آیا، ماڈل سے نہیں۔
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")
BROADNET_API_KEY سیٹ کر کے چلائیں: python make_srt.py episode.wav episode.srt۔ ٹیسٹ فائل پر وقفوں کی شناخت نے 0 سے 2.8 s، 3.6 سے 7.6 s، 8.8 سے 28.8 s (12 s پر کاٹا گیا کیونکہ اس میں کوئی وقفہ نہیں تھا) اور 29.4 سے 30.9 s کے حصے پائے، جو فائل بنانے کے طریقے سے میل کھاتے تھے۔ آؤٹ پٹ Python srt پیکیج سے صاف پارس ہوا اور FFmpeg سے WebVTT میں بدل گیا۔
دو قدریں اپنی آڈیو کے مطابق ٹیون کریں۔ noise وہ سطح ہے جسے خاموشی سمجھا جاتا ہے: صاف گفتگو کے لیے -30 سے -40 dB آزمائیں اور شور والے کمروں کے لیے زیادہ۔ min_silence یہ ہے کہ خالی جگہ کتنی دیر کی ہونی چاہیے: 0.3 سے 0.5 سیکنڈ ہر سانس پر کاٹے بغیر جملوں کے درمیان کے وقفے پکڑتا ہے۔
chunk کی سطح کی ٹائمنگ کتنی درست ہے؟
یہ طریقہ کیا کر سکتا ہے اور کیا نہیں، اس بارے میں واضح رہیں۔
- حصوں کے کنارے سب سے اچھا حصہ ہیں۔ حقیقی وقفے پر پڑنے والے کیپشنز کا آغاز اور اختتام اتنا ہی درست ہے جتنی خاموشی کی شناخت۔ ہماری مصنوعی ٹیسٹ فائل پر یہ بالکل میل کھائے؛ سانسوں اور کمرے کے شور والی حقیقی ریکارڈنگز زیادہ الجھی ہوتی ہیں۔
- حصے کے اندر کے اوقات اندازے ہیں۔ جب کسی حصے میں دو یا تین کیپشنز ہوتے ہیں تو اسکرپٹ اس کا وقت حروف کی گنتی سے بانٹتی ہے۔ مقرر یکساں رفتار سے نہیں بولتے، اس لیے اندر کی حدیں ایک سیکنڈ یا زیادہ کھسک سکتی ہیں۔
- مقررہ کٹ الفاظ کو کاٹ سکتے ہیں۔ جب کوئی حصہ بغیر وقفے کے 12 سیکنڈ کی حد پار کرتا ہے تو کٹ جہاں پڑے، وہیں پڑتا ہے۔ کٹ پر پڑا لفظ کھو سکتا ہے یا بگڑ سکتا ہے۔ پہلے
noiseبڑھائیں یاmin_silenceگھٹائیں، تاکہ کم حصوں کو مقررہ کٹ کی ضرورت پڑے۔ - چھوٹے chunks ماڈل کو کم کانٹیکسٹ دیتے ہیں۔ 3 سیکنڈ کی کلپ میں ہر لفظ کے آس پاس 10 منٹ کی فائل سے کم الفاظ ہوتے ہیں۔ ہم نے نہیں ناپا کہ اس سے عربی درستگی کتنی بدلتی ہے؛ اسے اپنی آڈیو پر WER سے ٹیسٹ کریں۔
- اسپیکر لیبلز نہیں۔ BroadNet کوئی diarization نہیں لوٹاتا، اس لیے کیپشنز یہ نہیں بتاتے کہ کون بول رہا ہے۔
- موسیقی اور شور۔ پس منظر کی موسیقی وقفے مکمل طور پر چھپا سکتی ہے۔ تب زیادہ تر حصے مقررہ کٹ ہوتے ہیں، اور ٹائمنگ بگڑتی ہے۔
لیکچرز، پوڈکاسٹس، ویبینارز اور ٹریننگ ویڈیوز کے لیے گفتگو سے ایک سیکنڈ کے اندر کے کیپشنز عموماً پڑھنے کے قابل ہوتے ہیں۔ ڈرامے، میوزک ویڈیوز یا lip-sync والی کسی بھی چیز کے لیے لفظی ٹائم اسٹیمپس والا فراہم کنندہ استعمال کریں، یا کسی سب ٹائٹلر سے فائل درست کروائیں۔
لاگت کیا ہے، اور یہ کتنا تیز ہے؟
قیمت آڈیو کی لمبائی کے حساب سے ہے۔ BroadNet Transcribe Arabic پر ایک گھنٹے کی عربی کی لاگت $0.25 ہے، چاہے آپ اسے ایک فائل میں بھیجیں یا پانچ پانچ سیکنڈ کی 720 فائلوں میں۔ BroadNet کا قیمتوں کا صفحہ فی آڈیو منٹ قیمت بتاتا ہے اور فی فائل کوئی کم از کم نہیں؛ تصدیق کے لیے پہلی قسط کے بعد usage صفحہ دیکھیں۔
رفتار درخواستوں کی تعداد کے حساب سے ہے۔ استعمال کے مطابق ادائیگی والی کلید فی منٹ 30 درخواستیں اور 4 جاری درخواستیں دیتی ہے۔ 5 سیکنڈ کے حصوں میں بٹی ایک گھنٹے کی گفتگو تقریباً 720 درخواستیں ہے، جس میں کم از کم 720 ÷ 30 منٹ لگتے ہیں۔ لمبے حصوں کا مطلب کم درخواستیں۔ اگر 429 آئے تو ایررز اور دوبارہ کوششوں کی گائیڈ کے مطابق رکیں، اور شائع شدہ حدوں سے بچنے کے لیے ایک جاب کو کئی کلیدوں میں نہ پھیلائیں۔
BroadNet Inference کہاں فٹ ہوتا ہے
BroadNet Transcribe Arabic سب ٹائٹل جاب کے متن والے حصے کے لیے موزوں ہے: $0.0042 فی منٹ پر عربی گفتگو سے عربی متن، اور درخواست کے بعد آڈیو اور ٹرانسکرپٹس نہیں رکھے جاتے۔ $5 کا ابتدائی کریڈٹ ٹرانسکرپشن کا احاطہ کرتا ہے، اس لیے ٹاپ اپ سے پہلے آپ حقیقی اقساط پر پائپ لائن ٹیسٹ کر سکتے ہیں۔ یہ ٹائم اسٹیمپس، segments، اسپیکر لیبلز یا SRT نہیں لوٹاتا۔ اگر آپ کے سب ٹائٹلز کو لفظی سطح کی ٹائمنگ چاہیے تو اسے دستاویزی کرنے والا فراہم کنندہ استعمال کریں، یا forced-alignment ٹول سے BroadNet کے متن کو آڈیو سے ملائیں۔ درخواست کی ساخت اور حدیں BroadNet API ریفرنس میں ہیں، اور سیٹ اپ عربی speech-to-text گائیڈ میں۔
