BroadRouter

Phụ đề tiếng Ả Rập (SRT) từ API chuyển giọng nói: cần những gì

Đội ngũ BroadNet Inference · 7 phút đọc · Đăng ngày · Cập nhật

File SRT cần văn bản cùng thời điểm bắt đầu và kết thúc cho mỗi phụ đề. API có timestamp theo từ, theo đoạn hoặc xuất SRT trực tiếp cho căn thời gian tốt nhất. BroadNet Transcribe Arabic chỉ trả văn bản, nên hãy cắt âm thanh tại chỗ ngắt, chép lời từng đoạn và căn giờ theo vị trí đoạn. Ổn cho bài nói, podcast; không đủ cho phụ đề phim chuẩn khung hình.

Phụ đề là văn bản có gắn thời gian. Phần lớn công sức trong một pipeline phụ đề tiếng Ả Rập là lấy được các mốc thời gian đó. Một số API chuyển giọng nói thành văn bản đưa sẵn cho bạn dưới dạng timestamp theo từ hoặc một file SRT hoàn chỉnh. Số khác, trong đó có BroadNet Inference, chỉ trả về văn bản chép lời. Bài này giải thích file SRT cần gì, nhà cung cấp nào có ghi timestamp trong tài liệu, và cách làm phụ đề tiếng Ả Rập dùng được từ một API chỉ trả văn bản, với các giới hạn được nói rõ.

BroadRouter là website của chính BroadNet. Nếu bạn cần căn thời gian chính xác đến từng khung hình, câu trả lời trung thực dưới đây là một nhà cung cấp có timestamp theo từ, không phải BroadNet.

File SRT cần những gì?

File SRT (SubRip) là văn bản thuần. Mỗi phụ đề có bốn phần: một số thứ tự, một dòng thời gian, một hoặc hai dòng văn bản, và một dòng trống.

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

Mô tả định dạng của Thư viện Quốc hội Mỹ cho biết định dạng thời gian là giờ:phút:giây,mili giây và mũi tên gồm hai dấu gạch ngang và một dấu ngoặc nhọn phải. Mô tả cũng nói SRT “not well standardized” (bản dịch: không được chuẩn hóa tốt) và file SRT “do not have a character encoding standard” (bản dịch: không có chuẩn mã hóa ký tự). Với tiếng Ả Rập, hãy ghi UTF-8 và test trên trình phát mục tiêu. WebVTT, định dạng kế nhiệm cho web, dùng dấu chấm thay cho dấu phẩy trước phần mili giây.

Vậy yêu cầu bắt buộc là thời điểm bắt đầu và kết thúc cho mỗi phụ đề. Chỉ có văn bản là không đủ.

Một dòng phụ đề tiếng Ả Rập nên dài bao nhiêu?

Hãy dùng một hướng dẫn văn phong đã công bố thay vì đoán. Arabic Timed Text Style Guide của Netflix (nhật ký thay đổi ghi ngày 2025-12-19) quy định:

Quy tắc Giá trị của Netflix
Ký tự mỗi dòng 42
Số dòng mỗi phụ đề Tối đa hai
Tốc độ đọc, chương trình người lớn Tối đa 20 ký tự mỗi giây
Tốc độ đọc, chương trình thiếu nhi Tối đa 17 ký tự mỗi giây
Ngắt dòng Không tách động từ khỏi chủ ngữ, giới từ khỏi danh từ, hay con số khỏi thứ nó đếm

Yêu cầu chung của Netflix bổ sung mức tối thiểu năm phần sáu giây và tối đa 7 giây cho mỗi phụ đề. Hướng dẫn tiếng Ả Rập cũng yêu cầu tiếng Ả Rập chuẩn hiện đại trong phụ đề dịch. Đó là quy tắc dịch thuật; bản chép lời của lời nói phương ngữ vẫn giữ phương ngữ.

Những con số này biến thành code: ngắt dòng ở 42 ký tự, hai dòng mỗi phụ đề, cảnh báo khi vượt 20 ký tự mỗi giây, và không bao giờ giữ một phụ đề quá 7 giây.

API chuyển giọng nói thành văn bản nào có ghi timestamp hoặc SRT?

Chúng tôi đọc tài liệu hiện hành của từng nhà cung cấp vào ngày 15/11/2026. Bảng này liệt kê những gì họ ghi trong tài liệu, không phải độ chính xác của phần căn thời gian.

Nhà cung cấp Tài liệu cung cấp gì Tiếng Ả Rập
OpenAI response_format srt, vtt hoặc verbose_json, và timestamp_granularities[] theo từ hoặc theo đoạn, chỉ trên whisper-1. gpt-4o-transcribe và gpt-4o-mini-transcribe chỉ trả json Chưa kiểm tra. Trang ngừng hỗ trợ của OpenAI liệt kê whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe và gpt-4o-transcribe-diarize là đã ngừng hỗ trợ, tất cả sẽ tắt vào ngày 26/2/2027, và khuyên dùng gpt-transcribe hoặc gpt-live-transcribe thay thế
AssemblyAI GET /v2/transcript/{transcript_id}/srt hoặc /vtt, với chars_per_caption Tiếng Ả Rập có trên Universal-2, trong nhóm WER 10 đến 25%
Speechmatics format=srt trên endpoint transcript; srt_overrides với max_line_length và max_lines; mỗi từ có start_time và end_time Tiếng Ả Rập, cùng gói Ả Rập–Anh ar_en
Deepgram Timestamp theo từ và theo lượt nói; thư viện phụ đề Python và JavaScript chính thức ghi ra SRT và WebVTT Tiếng Ả Rập và các mã vùng trên Nova-3
ElevenLabs timestamps_granularity theo từ hoặc ký tự; mỗi từ có start và end tính bằng giây Có tiếng Ả Rập, trong nhóm WER 10 đến 20%
BroadNet Inference Chỉ {"text": ...} Model riêng cho tiếng Ả Rập và một model 14 ngôn ngữ

Nếu bạn tự chạy được model, bộ lọc whisper của FFmpeg, build cùng whisper.cpp, có thể ghi thẳng ra srt và có tùy chọn max_len để rút ngắn dòng.

Để so sánh bước đầu về độ chính xác tiếng Ả Rập và giá, xem hướng dẫn chọn mua API chuyển giọng nói tiếng Ả Rập và so sánh giá API chuyển giọng nói thành văn bản. Timestamp là một dòng trong quyết định đó, không phải dòng duy nhất.

Làm phụ đề từ API chỉ trả văn bản thế nào?

Bạn tự tạo timestamp từ chỗ bạn cắt âm thanh. Các bước:

  1. Tìm chỗ ngắt. silencedetect của FFmpeg ghi silence_start và silence_end tính bằng giây ở mọi chỗ âm lượng nằm dưới ngưỡng trong một khoảng thời gian tối thiểu.
  2. Biến chỗ ngắt thành đoạn lời nói. Mọi thứ giữa hai khoảng lặng là một đoạn. Giới hạn mỗi đoạn khoảng 12 giây, để người nói không ngừng nghỉ vẫn cho ra phụ đề ngắn.
  3. Chép lời từng đoạn. Cắt đoạn thành WAV 16 kHz mono và gửi kèm language=ar.
  4. Căn thời gian cho phụ đề. Điểm đầu và cuối của đoạn là mốc thời gian neo. Nếu văn bản cần nhiều dòng, chia thời gian của đoạn cho các dòng theo tỷ lệ độ dài.
  5. Ghi SRT và kiểm tra độ dài dòng, tốc độ đọc và thời lượng theo các quy tắc văn phong.

Đây là cách cắt giống như trong chép lời file âm thanh dài, nhưng với mục tiêu khác. Ở đó, mỗi đoạn dài khoảng 10 phút và bạn chỉ quan tâm văn bản đã ghép. Ở đây, mỗi đoạn chỉ dài vài giây vì mỗi đoạn trở thành mốc thời gian phụ đề. Công cụ cắt âm thanh tạo sẵn lệnh FFmpeg nếu bạn muốn tự cắt.

Pipeline bằng Python

Script này dùng OpenAI Python SDK và FFmpeg. Chúng tôi chạy nó ngày 15/11/2026 với một mock server cục bộ trả lời giống endpoint trong tài liệu BroadNet ({"text": ...}), trên một file test được tạo từ các âm báo và khoảng lặng. File SRT ở trên là output của nó. Không dùng key BroadNet nào, nên văn bản tiếng Ả Rập đến từ mock, không phải từ model.

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")

Chạy với BROADNET_API_KEY đã đặt: python make_srt.py episode.wav episode.srt. Trên file test, bước phát hiện chỗ ngắt tìm ra các đoạn 0 đến 2,8 giây, 3,6 đến 7,6 giây, 8,8 đến 28,8 giây (cắt ở mốc 12 giây vì không có chỗ ngắt) và 29,4 đến 30,9 giây, khớp với cách file được tạo. Output được package srt của Python parse gọn gàng và FFmpeg chuyển sang WebVTT được.

Hãy tinh chỉnh hai giá trị theo âm thanh của bạn. noise là mức âm lượng được coi là im lặng: thử -30 đến -40 dB cho giọng nói sạch và cao hơn cho phòng ồn. min_silence là độ dài tối thiểu của khoảng lặng: 0,3 đến 0,5 giây bắt được chỗ ngắt giữa các câu mà không cắt ở mỗi lần lấy hơi.

Căn thời gian theo đoạn chính xác đến đâu?

Hãy rõ ràng về những gì phương pháp này làm được và không làm được.

  • Mép đoạn là phần tốt nhất. Điểm đầu và cuối phụ đề rơi đúng vào chỗ ngắt thật thì chính xác bằng việc phát hiện khoảng lặng. Trên file test tổng hợp của chúng tôi, chúng khớp chính xác; bản ghi thật có tiếng thở và tiếng ồn phòng thì lộn xộn hơn.
  • Thời gian bên trong đoạn là ước tính. Khi một đoạn chứa hai hay ba phụ đề, script chia thời gian theo số ký tự. Người nói không nói với tốc độ đều, nên các mốc bên trong có thể lệch một giây hoặc hơn.
  • Cắt cố định có thể cắt đôi từ. Khi một đoạn vượt mức 12 giây mà không có chỗ ngắt, nhát cắt rơi vào đâu thì rơi. Từ ở chỗ cắt có thể bị mất hoặc méo. Hãy tăng noise hoặc giảm min_silence trước, để ít đoạn phải cắt cố định hơn.
  • Đoạn ngắn cho model ít ngữ cảnh hơn. Một clip 3 giây có ít từ xung quanh mỗi từ hơn một file 10 phút. Chúng tôi chưa đo điều này ảnh hưởng độ chính xác tiếng Ả Rập bao nhiêu; hãy test trên âm thanh của bạn bằng WER.
  • Không có nhãn người nói. BroadNet không trả về diarization, nên phụ đề không cho biết ai đang nói.
  • Nhạc và tiếng ồn. Nhạc nền có thể che hết các chỗ ngắt. Khi đó phần lớn đoạn là cắt cố định, và căn thời gian kém đi.

Với bài giảng, podcast, webinar và video đào tạo, phụ đề lệch dưới một giây so với lời nói thường vẫn dễ đọc. Với phim truyền hình, video ca nhạc hay bất cứ thứ gì cần khớp khẩu hình, hãy dùng nhà cung cấp có timestamp theo từ hoặc nhờ người làm phụ đề chỉnh lại file.

Chi phí bao nhiêu, và nhanh đến đâu?

Giá đi theo độ dài âm thanh. Một giờ tiếng Ả Rập trên BroadNet Transcribe Arabic tốn $0.25, dù bạn gửi một file hay 720 file dài năm giây. Trang bảng giá của BroadNet ghi giá theo phút âm thanh và không có mức tối thiểu mỗi file; hãy xem trang mức sử dụng sau tập đầu tiên để xác nhận.

Tốc độ đi theo số request. Key trả theo mức dùng cho phép 30 request mỗi phút và 4 request đồng thời. Một giờ lời nói cắt thành đoạn 5 giây là khoảng 720 request, mất ít nhất 720 ÷ 30 phút. Đoạn dài hơn thì ít request hơn. Nếu gặp 429, hãy backoff như trong hướng dẫn lỗi và retry, và đừng chia một job qua nhiều key để lách các giới hạn đã công bố.

BroadNet Inference phù hợp ở đâu

BroadNet Transcribe Arabic hợp với nửa văn bản của một job phụ đề: chuyển lời nói tiếng Ả Rập thành văn bản tiếng Ả Rập với giá $0.0042 mỗi phút, không lưu giữ âm thanh và bản chép lời sau request. Tín dụng ban đầu $5 dùng được cho việc chép lời, nên bạn có thể test pipeline trên các tập thật trước khi nạp tiền. Dịch vụ không trả về timestamp, phân đoạn, nhãn người nói hay SRT. Nếu phụ đề của bạn cần căn thời gian theo từ, hãy dùng nhà cung cấp có ghi điều đó trong tài liệu, hoặc căn văn bản của BroadNet với âm thanh bằng một công cụ forced alignment. Cấu trúc request và giới hạn có trong tài liệu tham chiếu API BroadNet, và cách cài đặt có trong hướng dẫn chuyển giọng nói tiếng Ả Rập thành văn bản.

Câu hỏi thường gặp

Có lấy file SRT trực tiếp từ API chép lời của BroadNet được không?

Không. Tài liệu BroadNet cho thấy phản hồi JSON chỉ có một trường text, không có tùy chọn SRT, VTT hay timestamp. Metadata /v1/models của họ (kiểm tra ngày 2026-11-15) liệt kê các định dạng phản hồi json, text và verbose_json, nhưng không nguồn nào nói verbose_json có timestamp. Hãy tự dựng phần thời gian từ vị trí các đoạn như trong bài này, hoặc dùng nhà cung cấp có ghi timestamp trong tài liệu.

API chuyển giọng nói thành văn bản nào xuất được SRT cho tiếng Ả Rập?

Trong số các nhà cung cấp chúng tôi kiểm tra ngày 15/11/2026, AssemblyAI (endpoint phụ đề, tiếng Ả Rập trên Universal-2) và Speechmatics (format=srt, tiếng Ả Rập và gói Ả Rập–Anh) có ghi xuất SRT. OpenAI ghi SRT trên whisper-1, model đã bị ngừng hỗ trợ. Deepgram có ghi các thư viện phụ đề dựng trên timestamp của họ.

Phụ đề tiếng Ả Rập nên có bao nhiêu ký tự mỗi dòng?

Arabic Timed Text Style Guide của Netflix đặt 42 ký tự mỗi dòng và tối đa hai dòng. Giới hạn tốc độ đọc cho chương trình người lớn là tối đa 20 ký tự mỗi giây, và 17 cho chương trình thiếu nhi.

Phụ đề căn thời gian theo đoạn âm thanh chính xác đến đâu?

Điểm đầu và cuối mỗi đoạn chính xác bằng việc phát hiện chỗ ngắt, nên hãy tinh chỉnh trên âm thanh của bạn. Phụ đề bên trong một đoạn có thời gian ước tính theo độ dài văn bản, nên có thể lệch một giây hoặc hơn. Hợp với bài nói và podcast, không hợp với phim truyền hình cần khớp khẩu hình.

Vì sao SRT tiếng Ả Rập của tôi hiện dấu câu sai phía?

SRT không có markup chỉ hướng, nên trình phát tự quyết định cách bố trí văn bản viết từ phải sang trái. Hãy test file trên các trình phát khán giả của bạn dùng. Nếu dấu câu bị chuyển chỗ, hãy thử một định dạng có định kiểu phong phú hơn hoặc thiết lập trình phát cho văn bản RTL.

Cắt âm thanh thành đoạn ngắn có tốn tiền hơn không?

BroadNet tính giá chép lời theo phút âm thanh, nên tổng lượng âm thanh vẫn vậy. Nhưng số request tăng lên: đoạn ngắn chạm giới hạn trả theo mức dùng 30 request mỗi phút sớm hơn. Hãy xem trang mức sử dụng sau lần chạy đầu để xác nhận cách tính phí.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity

Nguồn