سب ٹائٹل فائل گھڑی لگی ٹرانسکرپٹ ہے۔ متن حاصل کرنا آسان آدھا حصہ ہے؛ اوقات مشکل آدھا۔
یہ کیسے کام کرتا ہے
SRT فائل سادہ متن ہوتی ہے۔ ہر کیپشن بلاک کے چار حصے ہوتے ہیں:
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
Library of Congress کی فارمیٹ تفصیل وقت کی شکل hours:minutes:seconds,milliseconds بتاتی ہے، شروع اور اختتام کے درمیان “two hyphens (—) and a right-pointing angle bracket (>)” (ترجمہ: دو ہائفن (—) اور دائیں طرف اشارہ کرتا زاویہ دار بریکٹ (>))، اور ہر بلاک کے بعد ایک خالی لائن۔ وہ SRT کو “a very simple text format, but not well standardized,” (ترجمہ: بہت سادہ متنی فارمیٹ، لیکن اچھی طرح معیاری نہیں) کہتی ہے، جس کا کوئی کیریکٹر انکوڈنگ معیار نہیں۔ ایکسٹینشن .srt ہے۔
WebVTT، یعنی HTML ویڈیو ٹیکسٹ ٹریکس کے لیے W3C کا فارمیٹ، تقریباً ویسا ہی دکھتا ہے۔ اسپیک کے مطابق پہلی لائن WEBVTT ہونی چاہیے، ملی سیکنڈز سے پہلے فل اسٹاپ (00:00:10.700)، UTF-8 انکوڈنگ اور text/vtt میڈیا ٹائپ۔ 15 نومبر 2026 تک یہ W3C Candidate Recommendation Draft ہے۔
یہ کیوں اہم ہے
- ٹائمنگ API سے آتی ہے، یا آپ سے۔ کچھ اسپیچ ٹو ٹیکسٹ API لفظ یا سیگمنٹ کے ٹائم اسٹیمپس یا تیار فائل لوٹاتے ہیں۔ OpenAI کا ٹرانسکرپشن ریفرنس اپنی
response_formatویلیوز میںsrtاورvttدرج کرتا ہے، لیکن کہتا ہے کہ فارمیٹ ماڈل پر منحصر ہے اورgpt-4o-transcribeاورgpt-4o-mini-transcribeصرفjsonلوٹاتے ہیں۔ - عربی لے آؤٹ۔ SRT میں سمت کا کوئی مارک اپ نہیں، اس لیے پلیئر طے کرتا ہے کہ دائیں سے بائیں متن اور رموزِ اوقاف کیسے دکھیں۔ دیکھیں دائیں سے بائیں متن۔
- پڑھنے کی سہولت کے اصول۔ لائن کی لمبائی، فی کیپشن لائنیں اور پڑھنے کی رفتار اسٹائل گائیڈز طے کرتی ہیں، فارمیٹ نہیں۔
BroadNet Inference پر
BroadNet کا ٹرانسکرپشن اینڈ پوائنٹ بغیر ٹائم اسٹیمپس کے متن لوٹاتا ہے، اس لیے وہ براہِ راست SRT نہیں بنا سکتا۔ قابلِ عمل طریقہ، جو اسپیچ ٹو ٹیکسٹ API سے عربی سب ٹائٹلز (SRT) میں ٹیسٹ کیا گیا:
- FFmpeg کے
silencedetect(یا کسی VAD) سے وقفے تلاش کریں۔ - ہر بولے گئے حصے کو، تقریباً 12 سیکنڈ تک محدود رکھ کر، 16 kHz مونو WAV میں کاٹیں۔
- ہر حصے کو BroadNet Transcribe Arabic پر
language=arکے ساتھ ٹرانسکرائب کریں۔ - ہر حصے کے شروع اور اختتام کو کیپشن کے اوقات بنائیں، اور متن کی لمبائی کے تناسب سے انہیں لائنوں میں بانٹیں۔
- نمبر شدہ SRT بلاکس لکھیں۔
حصوں کے کنارے اتنے ہی درست ہیں جتنی آپ کی وقفوں کی پہچان؛ حصے کے اندر کے اوقات اندازے ہیں۔ یہ ٹاکس اور پوڈکاسٹس کے لیے موزوں ہے، لپ سنک والے ڈراموں کے لیے نہیں۔ فریم کی سطح پر درست ٹائمنگ کے لیے ایسا فراہم کنندہ استعمال کریں جو لفظی ٹائم اسٹیمپس دستاویزی کرتا ہو۔ چھوٹے حصوں کا مطلب زیادہ درخواستیں بھی ہیں، اس لیے استعمال کے مطابق ادائیگی کی فی منٹ 30 درخواستوں کی حد پر نظر رکھیں۔ آڈیو اسپلٹر ٹول FFmpeg کمانڈز لکھ دیتا ہے۔
عام غلطیاں
- SRT کے اوقات میں کوما کی جگہ نقطہ، یا WebVTT میں الٹ۔ کئی پلیئرز غلط والا رد کر دیتے ہیں۔
- بلاکس کے درمیان خالی لائنیں چھوٹ جانا، جس سے کیپشنز آپس میں مل جاتے ہیں۔