Автоматическая генерация SRT и VTT субтитров с точным таймингом

Вы получили транскрипцию от ASR-системы, но на выходе — сырой текст без временных меток. Вручную проставлять тайминг для часового видео? Дольше, чем сам монтаж. А ещё заказчик требует SRT для YouTube, а вы отдаёте TXT. Знакомая ситуация? Мы автоматизируем эту рутину: конвертируем любую транскрипцию в стандартные SRT или VTT субтитры с оптимальным таймингом. Никаких ручных правок. Наш стек: Faster-Whisper large-v3, VAD-фильтр, постобработка с ограничениями длительности. Ошибка синхронизации — не более ±0.2 секунды. Автоматическая генерация SRT и VTT субтитров позволяет снизить затраты в 3-5 раз по сравнению с ручной разметкой. Свяжитесь с нами для теста на вашем файле.

Какие проблемы решаем

Проблема 1: Несовместимость форматов

SRT и VTT — разные стандарты: SRT использует запятую-разделитель миллисекунд (00:01:15,400), VTT — точку (00:01:15.400). Плюс VTT требует заголовок WEBVTT и поддерживает позиционирование. Ошибка в формате — субтитры не отображаются. Наш код учитывает эти нюансы автоматически.

Проблема 2: Длинные субтитры и слишком быстрая смена

Субтитры длиннее 42 символов плохо читаются, а кадры короче 1.2 секунды не успевают прочитать. Модель может выдать сегмент длительностью 0.5 секунды — мы объединяем их с соседними или фиксируем минимальную длительность.

Проблема 3: Отсутствие оптимизации под вещание

Наши стандарты: максимум 7 секунд на субтитр, разбиение по смыслу, не более двух строк. В посте optimize_subtitles мы автоматически обрезаем длинные строки и корректируем время.

Автоматическая генерация субтитров SRT и VTT: как это работает

Используем faster-whisper (форк Whisper от OpenAI), который работает в 4 раза быстрее оригинала на CUDA. Модель large-v3 даёт Word Error Rate 5-7% для русского языка.

from faster_whisper import WhisperModel from datetime import timedelta model = WhisperModel("large-v3", device="cuda") def format_time_srt(seconds: float) -> str: td = timedelta(seconds=seconds) total_seconds = int(td.total_seconds()) hours = total_seconds // 3600 minutes = (total_seconds % 3600) // 60 secs = total_seconds % 60 milliseconds = int((seconds % 1) * 1000) return f"{hours:02d}:{minutes:02d}:{secs:02d},{milliseconds:03d}" def format_time_vtt(seconds: float) -> str: # VTT использует точку вместо запятой return format_time_srt(seconds).replace(",", ".") def generate_srt(audio_path: str, language: str = "ru") -> str: segments, _ = model.transcribe( audio_path, language=language, vad_filter=True ) lines = [] for i, seg in enumerate(segments, 1): start = format_time_srt(seg.start) end = format_time_srt(seg.end) text = seg.text.strip() lines.append(f"{i}\n{start} --> {end}\n{text}\n") return "\n".join(lines) def generate_vtt(audio_path: str, language: str = "ru") -> str: segments, _ = model.transcribe( audio_path, language=language, vad_filter=True ) lines = ["WEBVTT\n"] for seg in segments: start = format_time_vtt(seg.start) end = format_time_vtt(seg.end) text = seg.text.strip() lines.append(f"{start} --> {end}\n{text}\n") return "\n".join(lines) 

Почему мы используем Whisper large-v3?

По сравнению с base-моделью large-v3 даёт на 30% ниже Word Error Rate на зашумлённых записях. Мы также применяем vad_filter=True — фильтр детекции голоса, который отбрасывает тишину и шумы. Это уменьшает количество пустых субтитров и улучшает тайминг.

Faster-Whisper использует CTranslate2 runtime — инференс на GPU быстрее в 4 раза. Для production это критично: обработать часовой эфир за 2 минуты вместо 8.

Как мы оптимизируем субтитры для вещания

После генерации применяем постобработку:

• Максимальная длина строки — 42 символа (стандарт для ТВ).
• Максимальная длительность субтитра — 7 секунд (читаемость).
• Минимальная длительность — 1.2 секунды (чтобы не мелькали).
• Разбиение по естественным паузам — ищем пробел, а не просто режем по счётчику.

def optimize_subtitles(segments: list, max_line_length: int = 42, max_duration: float = 7.0, min_duration: float = 1.2) -> list: """Оптимизируем субтитры под стандарты вещания""" optimized = [] for seg in segments: duration = seg.end - seg.start text = seg.text.strip() # Ограничиваем длину строки if len(text) > max_line_length: mid = text.rfind(" ", 0, max_line_length) text = text[:mid] + "\n" + text[mid+1:] # Минимальная длительность end = max(seg.end, seg.start + min_duration) optimized.append({**seg.__dict__, "text": text, "end": end}) return optimized 

Для VTT мы также добавляем позиционирование: line:90% position:50% align:center — субтитры отображаются внизу по центру. Можно назначать разный стиль для разных спикеров.

Что такое max_duration и почему 7 секунд?

Согласно исследованиям читаемости, субтитр дольше 7 секунд вызывает у зрителя дискомфорт. Если Whisper выдал сегмент на 10 секунд — мы разбиваем его на части по паузам. Если пауз нет — делим по символам поровну.

Стандарт WebVTT определяет базовые правила, но мы добавляем эвристики для оптимального восприятия.

Процесс работы

1. Аналитика: вы присылаете пример аудио/видео — мы оцениваем качество записи, наличие шумов, количество спикеров.
2. Проектирование: выбираем модель (Whisper, Wav2Vec2 или кастомная), настраиваем VAD, определяем формат на выходе (SRT/VTT), необходимость стилизации.
3. Реализация: пишем скрипт или REST API. Код покрываем тестами. Используем Docker для изоляции зависимостей.
4. Тестирование: прогоняем на 10-15 файлах, сверяем тайминг с эталоном. Ошибка тайминга не более ±0.2 сек.
5. Деплой: разворачиваем на вашем сервере или в облаке (AWS/GCP). Передаём документацию и обучение оператора.

Что входит в работу

• Исходный код скриптов генерации SRT/VTT (Python).
• REST API (FastAPI) с эндпоинтами загрузки аудио и скачивания субтитров.
• Docker-контейнер со всеми зависимостями (CUDA, Whisper, FFmpeg).
• Документация по развёртыванию и эксплуатации.
• Обучение ваших инженеров работе с системой.
• Поддержка в течение 30 дней после передачи.

Сроки и стоимость

Скрипт генерации — от 1 дня. REST API сервис — от 2 до 3 дней. Точная стоимость рассчитывается после анализа ваших данных и требований. Напишите — оценим проект бесплатно. Автоматизация позволяет снизить затраты на субтитры в 3-5 раз по сравнению с ручной разметкой.

Типичные ошибки при автоматической генерации субтитров

• Отключение VAD-фильтра — в результате в субтитры попадают фоновые шумы и паузы, которые отображаются как пустые строки.
• Неправильная длительность сегментов — без постобработки могут быть слишком короткие (<1 сек) субтитры, которые невозможно прочитать.
• Игнорирование региональных кодировок — SRT в Windows требует кодировку UTF-8 with BOM, иначе кракозябры.

Заключение

Автоматическая генерация субтитров избавляет вас от недель ручной разметки. Мы используем современные ASR-модели с тонкой настройкой параметров тайминга. Гарантируем точность синхронизации и соответствие стандартам вещания. Опыт наших инженеров — более 5 лет в NLP и MLOps. Получите консультацию: пишите — мы покажем demo на вашем файле. Свяжитесь с нами, и вы оцените экономию времени и бюджета.