BroadRouter

用语音转文字 API 生成阿拉伯语 SRT 字幕:你需要知道什么

BroadNet Inference 团队 · 阅读约 7 分钟 · 发布于 · 更新于

SRT 文件需要文本,外加每条字幕的开始和结束时间。提供词级或分段时间戳、或能直接导出 SRT 的 API,时间轴最准。BroadNet Transcribe Arabic 只返回文本,所以要在停顿处切分音频、逐段转写,再根据分段偏移量给字幕定时。适合演讲和播客,不适合需要逐帧精确的影视字幕。

字幕就是附带了时间的文本。阿拉伯语字幕流水线的大部分工作,都在于拿到这些时间。有些语音转文字 API 会以词级时间戳或现成的 SRT 文件的形式直接交给你。另一些,包括 BroadNet Inference,只返回转写文本。本文解释 SRT 文件需要什么、哪些服务商的文档支持时间戳,以及如何用纯文本 API 做出可用的阿拉伯语字幕,并把局限说清楚。

BroadRouter 是 BroadNet 自己的网站。如果你需要逐帧精确的时间轴,下文给出的诚实答案是选择支持词级时间戳的服务商,而不是 BroadNet。

SRT 文件需要什么?

SRT(SubRip)文件是纯文本。每条字幕有四个部分:一个编号、一行时间、一到两行文本,以及一个空行。

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

美国国会图书馆的格式说明给出的时间格式是“时:分:秒,毫秒”,箭头是两个连字符加一个右尖括号。它还说 SRT “not well standardized”(译文:标准化程度不高),并且 SRT 文件 “do not have a character encoding standard”(译文:没有字符编码标准)。对阿拉伯语来说,用 UTF-8 写入,并在目标播放器中测试。它在 Web 上的后继格式 WebVTT,在毫秒前用的是句点而不是逗号。

所以硬性要求是每条字幕都有开始和结束时间。只有文本是不够的。

阿拉伯语字幕一行应该多长?

用公开的风格指南,而不是凭感觉。Netflix 的阿拉伯语定时文本风格指南(变更日志日期为 2025-12-19)规定:

规则 Netflix 的取值
每行字符数 42
每条字幕行数 最多两行
阅读速度,成人节目 每秒最多 20 个字符
阅读速度,儿童节目 每秒最多 17 个字符
换行 不要把动词和主语、介词和名词、数字和它所计数的事物拆到两行

Netflix 的通用要求还规定每条字幕最短六分之五秒、最长 7 秒。阿拉伯语指南还要求翻译字幕使用现代标准阿拉伯语。那是翻译规则;方言语音的转写仍保留方言。

这些数字可以直接变成代码:在 42 个字符处换行,每条字幕两行,超过每秒 20 个字符就发出警告,任何一条字幕的显示时间都不超过 7 秒。

哪些语音转文字 API 的文档支持时间戳或 SRT?

我们在 2026 年 11 月 15 日查阅了各服务商当时的文档。下表列出的是文档中提供的功能,不代表时间轴的准确度。

服务商 文档提供的功能 阿拉伯语
OpenAI response_format 为 srt、vtt 或 verbose_json,以及词级或分段级的 timestamp_granularities[],仅限 whisper-1。gpt-4o-transcribe 和 gpt-4o-mini-transcribe 只返回 json 未查。OpenAI 的弃用页面将 whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-transcribe-diarize 列为已弃用,均于 2027 年 2 月 26 日停用,并推荐改用 gpt-transcribe 或 gpt-live-transcribe
AssemblyAI GET /v2/transcript/{transcript_id}/srt 或 /vtt,可设置 chars_per_caption 阿拉伯语列在 Universal-2 中,属于其 10% 到 25% WER 区间
Speechmatics 转写接口上的 format=srt;srt_overrides 支持 max_line_length 和 max_lines;词条目带有 start_time 和 end_time 阿拉伯语,以及 ar_en 阿拉伯语-英语双语包
Deepgram 词级和话语级时间戳;官方的 Python 和 JavaScript 字幕库可写出 SRT 和 WebVTT Nova-3 支持阿拉伯语及各地区代码
ElevenLabs timestamps_granularity 为词或字符级;每个词带有以秒为单位的 start 和 end 列出阿拉伯语,属于其 10% 到 20% WER 区间
BroadNet Inference 只有 {"text": ...} 阿拉伯语专用模型和一个 14 种语言的模型

如果你能自己运行模型,基于 whisper.cpp 构建的 FFmpeg whisper 滤镜可以直接写出 srt,并有一个 max_len 选项用来缩短每行。

想先比较阿拉伯语的准确度和价格,请看阿拉伯语语音转文字 API 选购指南和语音转文字价格对比。时间戳只是这个决策中的一项,而不是全部。

怎么用纯文本 API 做字幕?

你根据自己切分音频的位置来生成时间戳。步骤如下:

  1. 找出停顿。 FFmpeg 的 silencedetect 会在音量低于阈值并持续一定时间的地方,以秒为单位记录 silence_start 和 silence_end。
  2. 把停顿转换成语音片段。 两段静音之间的部分就是一个片段。把片段上限设在约 12 秒,这样即使说话人从不停顿,也能产生短字幕。
  3. 逐个片段转写。 把它切成 16 kHz 单声道 WAV,并带上 language=ar 发送。
  4. 给字幕定时。 片段的开始和结束就是你的锚点时间。如果它的文本需要好几行,就按长度比例把片段的时间分配给这几行。
  5. 写出 SRT,并按风格规则检查每行长度、阅读速度和显示时长。

这和转写长音频文件用的是同一种切分方法,只是目标不同。在那里,每段约 10 分钟,你只关心拼接后的文本。在这里,每段只有几秒,因为每一段都会变成字幕时间。如果你更想手动切分,音频切分工具可以生成 FFmpeg 命令。

用 Python 实现流水线

这个脚本使用 OpenAI Python SDK 和 FFmpeg。我们在 2026 年 11 月 15 日用它测试了一个本地模拟服务器,该服务器按 BroadNet 文档中的接口格式({"text": ...})应答,测试文件是一个生成的、由音调和间隔组成的音频。上面的 SRT 就是它的输出。测试没有使用 BroadNet 密钥,所以阿拉伯语文本来自模拟服务器,而不是模型。

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")

设置好 BROADNET_API_KEY 后运行:python make_srt.py episode.wav episode.srt。在测试文件上,停顿检测找到了 0 到 2.8 秒、3.6 到 7.6 秒、8.8 到 28.8 秒(因为没有停顿,在 12 秒处切开)以及 29.4 到 30.9 秒这几个片段,和文件的构造方式一致。输出能被 Python 的 srt 包正常解析,也能用 FFmpeg 转换成 WebVTT。

有两个值要根据你的音频调整。noise 是被视为静音的音量:干净的人声试试 -30 到 -40 dB,嘈杂的房间要更高。min_silence 是间隔必须持续的时长:0.3 到 0.5 秒能抓到句子之间的停顿,又不会在每次换气时都切开。

分段级时间轴有多准?

要清楚这个方法能做什么、不能做什么。

  • 片段边缘是最准的部分。 落在真实停顿上的字幕开始和结束时间,准确度取决于静音检测。在我们的合成测试文件上它们完全吻合;带有呼吸声和房间噪声的真实录音会更复杂。
  • 片段内部的时间是估算的。 当一个片段包含两到三条字幕时,脚本按字符数分配时间。说话人的语速并不恒定,所以这些内部边界可能偏差一秒或更多。
  • 固定切分可能切断词语。 当一个片段超过 12 秒上限仍没有停顿时,切点落在哪里就是哪里。切点处的词可能丢失或变得含混。先尝试提高 noise 或降低 min_silence,让需要固定切分的片段更少。
  • 短分段给模型的上下文更少。 一段 3 秒的片段里,每个词周围的词比一个 10 分钟的文件少。我们没有测量这对阿拉伯语准确度的影响有多大;请用 WER 在你自己的音频上测试。
  • 没有说话人标签。 BroadNet 不返回说话人分离结果,所以字幕不会标明是谁在说话。
  • 音乐和噪声。 背景音乐可能完全掩盖停顿。那样的话大多数片段都是固定切分,时间轴也会变差。

对于讲座、播客、网络研讨会和培训视频,与语音相差一秒以内的字幕通常都能正常阅读。对于剧集、音乐视频或任何需要口型同步的内容,请使用支持词级时间戳的服务商,或者请字幕师调整文件。

成本多少,速度多快?

价格取决于音频时长。在 BroadNet Transcribe Arabic 上,一小时阿拉伯语音频的费用是 $0.25,无论你作为一个文件发送,还是作为 720 个 5 秒的文件发送。BroadNet 的价格页面列出的是按音频分钟计价,没有单文件最低收费;第一集处理完后查看用量页面确认一下。

速度取决于请求数。按量付费密钥允许每分钟 30 个请求、同时 4 个。一小时的语音切成 5 秒的片段约为 720 个请求,至少需要 720 ÷ 30 分钟。片段越长,请求越少。如果碰到 429,就按错误与重试指南退避,也不要把一个任务分散到多个密钥上来绕过公布的限制。

BroadNet Inference 处在什么位置

BroadNet Transcribe Arabic 适合字幕任务中文本的那一半:把阿拉伯语语音转成阿拉伯语文本,每分钟 $0.0042,请求结束后不保留音频和转写文本。$5 初始额度覆盖转写,所以你可以在充值之前用真实的节目测试这条流水线。它不返回时间戳、分段、说话人标签或 SRT。如果你的字幕需要词级时间轴,请使用文档中支持该功能的服务商,或者用强制对齐工具把 BroadNet 的文本与音频对齐。请求格式和限制见 BroadNet API 参考,配置方法见阿拉伯语语音转文字指南。

常见问题

能直接从 BroadNet 的转写 API 拿到 SRT 文件吗?

不能。BroadNet 的文档显示响应是只有一个 text 字段的 JSON,没有 SRT、VTT 或时间戳选项。它的 /v1/models 元数据(2026-11-15 查阅)列出了 json、text 和 verbose_json 三种响应格式,但没有任何来源说明 verbose_json 带有时间戳。请像本文这样根据分段偏移量自己生成时间轴,或使用文档中支持时间戳的服务商。

哪些语音转文字 API 能为阿拉伯语导出 SRT?

在我们于 2026 年 11 月 15 日查阅的服务商中,AssemblyAI(字幕接口,Universal-2 支持阿拉伯语)和 Speechmatics(format=srt,支持阿拉伯语及阿拉伯语-英语双语包)的文档支持导出 SRT。OpenAI 在 whisper-1 上支持 SRT,但该模型已被弃用。Deepgram 的文档提供了基于其时间戳的字幕库。

阿拉伯语字幕每行应该多少个字符?

Netflix 的阿拉伯语定时文本风格指南规定每行 42 个字符,最多两行。成人节目的阅读速度上限是每秒 20 个字符,儿童节目是 17 个。

按音频分段定时的字幕有多准?

每个分段的开始和结束时间,准确度取决于停顿检测,所以要用你的音频来调参。分段内部的字幕时间是根据文本长度估算的,可能偏差一秒或更多。这适合演讲和播客,不适合需要口型同步的剧集。

为什么我的阿拉伯语 SRT 里标点跑到了错误的一侧?

SRT 没有文字方向标记,所以如何排列从右到左的文本由播放器决定。在你的观众使用的播放器里测试这个文件。如果标点位置不对,可以试试样式更丰富的格式,或者播放器中针对 RTL 文本的设置。

把音频切成很短的分段会更贵吗?

BroadNet 按音频分钟数计费,所以音频总量不变,费用也一样。但请求会更多:短分段会更快碰到按量付费每分钟 30 个请求的限制。第一次运行后查看用量页面,确认计费情况。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity

来源