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.
| Модель | WER (рус.) | Скорость (RTF на A100) | Размер |
|---|---|---|---|
| Whisper base | ~12% | 0.05 | 160 MB |
| Whisper large-v3 | ~6% | 0.12 | 3 GB |
| Faster-Whisper large-v3 | ~6% | 0.03 | 3 GB |
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
- Аналитика: вы присылаете пример аудио/видео — мы оцениваем качество записи, наличие шумов, количество спикеров.
- Проектирование: выбираем модель (Whisper, Wav2Vec2 или кастомная), настраиваем VAD, определяем формат на выходе (SRT/VTT), необходимость стилизации.
- Реализация: пишем скрипт или REST API. Код покрываем тестами. Используем Docker для изоляции зависимостей.
- Тестирование: прогоняем на 10-15 файлах, сверяем тайминг с эталоном. Ошибка тайминга не более ±0.2 сек.
- Деплой: разворачиваем на вашем сервере или в облаке (AWS/GCP). Передаём документацию и обучение оператора.
| Этап | Что делаем | Артефакт |
|---|---|---|
| Аналитика | Оценка аудиодорожки, выбор стратегии | Техническое задание |
| Разработка | Написание кода, интеграция | Скрипт/API, Docker-образ |
| Тестирование | Проверка точности и производительности | Отчёт о тестировании |
| Деплой | Развёртывание, передача доступа | Документация, обучение |
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.
Пример команды ffmpeg для извлечения аудио из видео
```bash ffmpeg -i video.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 audio.wav ```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.