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:
- 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。 - 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。
- 逐个片段转写。 把它切成 16 kHz 单声道 WAV,并带上
language=ar发送。 - 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。
- 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。
