Автоматична генерація SRT і VTT субтитрів з точним таймінгом
Ви отримали транскрипцію від ASR-системи, але на виході — сирий текст без часових міток. Вручну проставляти таймінг для годинного відео? Довше, ніж сам монтаж. А ще замовник вимагає SRT для YouTube, а ви віддаєте TXT. Знайома ситуація? Ми автоматизуємо цю рутину: конвертуємо будь-яку транскрипцію в стандартні SRT або VTT субтитри з оптимальним таймінгом. Жодних ручних правок. Наш стек: Faster-Whisper large-v3, VAD-фільтр, постобробка з обмеженнями тривалості. Похибка синхронізації — не більше ±0.2 секунди. Автоматична генерація SRT і VTT субтитрів дозволяє знизити витрати в 3-5 разів порівняно з ручним розмічанням. Зв'яжіться з нами для тесту на вашому файлі.
Які проблеми вирішуємо
Проблема 1: Несумісність форматів
SRT і VTT — різні стандарти: SRT використовує кому-розділювач мілісекунд (00:01:15,400), VTT — крапку (00:01:15.400). Плюс VTT вимагає заголовок WEBVTT і підтримує позиціонування. Помилка у форматі — субтитри не відображаються. Наш код враховує ці нюанси автоматично.
Проблема 2: Довгі субтитри та надто швидка зміна
Субтитри довші 42 символів погано читаються, а кадри коротші 1.2 секунди не встигають прочитати. Модель може видати сегмент тривалістю 0.5 секунди — ми об'єднуємо їх із сусідніми або фіксуємо мінімальну тривалість.
Проблема 3: Відсутність оптимізації під мовлення
Наші стандарти: максимум 7 секунд на субтитр, розбиття за змістом, не більше двох рядків. У пості optimize_subtitles ми автоматично обрізаємо довгі рядки та коригуємо час.
Автоматична генерація субтитрів SRT і VTT: як це працює
Використовуємо faster-whisper (форк Whisper від OpenAI), який працює в 4 рази швидше за оригінал на CUDA. Модель large-v3 дає Word Error Rate 5-7% для російської та української мов.
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 використовує крапку замість коми
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)
Чому ми використовуємо Whisper large-v3?
Порівняно з base-моделлю large-v3 дає на 30% нижчий Word Error Rate на зашумлених записах. Ми також застосовуємо vad_filter=True — фільтр детекції голосу, який відкидає тишу та шуми. Це зменшує кількість порожніх субтитрів і покращує таймінг.
| Модель | WER (рос.) | Швидкість (RTF на A100) | Розмір |
|---|---|---|---|
| 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 використовує CTranslate2 runtime — інференс на GPU швидше в 4 рази. Для production це критично: обробити годинний ефір за 2 хвилини замість 8.
Як ми оптимізуємо субтитри для мовлення
Після генерації застосовуємо постобробку:
- Максимальна довжина рядка — 42 символи (стандарт для ТБ).
- Максимальна тривалість субтитра — 7 секунд (читабельність).
- Мінімальна тривалість — 1.2 секунди (щоб не миготіли).
- Розбиття за природними паузами — шукаємо пробіл, а не просто ріжемо за лічильником.
def optimize_subtitles(segments: list, max_line_length: int = 42,
max_duration: float = 7.0,
min_duration: float = 1.2) -> list:
"""Оптимізуємо субтитри під стандарти мовлення"""
optimized = []
for seg in segments:
duration = seg.end - seg.start
text = seg.text.strip()
# Обмежуємо довжину рядка
if len(text) > max_line_length:
mid = text.rfind(" ", 0, max_line_length)
text = text[:mid] + "\n" + text[mid+1:]
# Мінімальна тривалість
end = max(seg.end, seg.start + min_duration)
optimized.append({**seg.__dict__, "text": text, "end": end})
return optimized
Для VTT ми також додаємо позиціонування: line:90% position:50% align:center — субтитри відображаються внизу по центру. Можна призначати різний стиль для різних спікерів.
Що таке max_duration і чому 7 секунд?
Згідно з дослідженнями читабельності, субтитр довше 7 секунд викликає у глядача дискомфорт. Якщо Whisper видав сегмент на 10 секунд — ми розбиваємо його на частини за паузами. Якщо пауз немає — ділимо за символами порівну.
Стандарт WebVTT визначає базові правила, але ми додаємо евристики для оптимального сприйняття.
Процес роботи
- Аналітика: ви надсилаєте приклад аудіо/відео — ми оцінюємо якість запису, наявність шумів, кількість спікерів.
- Проектування: обираємо модель (Whisper, Wav2Vec2 або кастомна), налаштовуємо VAD, визначаємо формат на виході (SRT/VTT), необхідність стилізації.
- Реалізація: пишемо скрипт або REST API. Код покриваємо тестами. Використовуємо Docker для ізоляції залежностей.
- Тестування: проганяємо на 10-15 файлах, звіряємо таймінг з еталоном. Похибка таймінгу не більше ±0.2 сек.
- Деплой: розгортаємо на вашому сервері або в хмарі (AWS/GCP). Передаємо документацію та навчання оператора.
| Етап | Що робимо | Артефакт |
|---|---|---|
| Аналітика | Оцінка аудіодоріжки, вибір стратегії | Технічне завдання |
| Розробка | Написання коду, інтеграція | Скрипт/API, Docker-образ |
| Тестування | Перевірка точності та продуктивності | Звіт про тестування |
| Деплой | Розгортання, передача доступу | Документація, навчання |
Що входить в роботу
- Вихідний код скриптів генерації SRT/VTT (Python).
- REST API (FastAPI) з ендпоінтами завантаження аудіо та завантаження субтитрів.
- Docker-контейнер з усіма залежностями (CUDA, Whisper, FFmpeg).
- Документація з розгортання та експлуатації.
- Навчання ваших інженерів роботі з системою.
- Підтримка протягом 30 днів після передачі.
Приклад команди ffmpeg для вилучення аудіо з відео
```bash ffmpeg -i video.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 audio.wav ```Строки та вартість
Скрипт генерації — від 1 дня. REST API сервіс — від 2 до 3 днів. Точна вартість розраховується після аналізу ваших даних та вимог. Напишіть — оцінимо проект безкоштовно. Автоматизація дозволяє знизити витрати на субтитри в 3-5 разів порівняно з ручним розмічанням.
Типові помилки при автоматичній генерації субтитрів
- Відключення VAD-фільтра — в результаті в субтитри потрапляють фонові шуми та паузи, які відображаються як порожні рядки.
- Неправильна тривалість сегментів — без постобробки можуть бути надто короткі (<1 сек) субтитри, які неможливо прочитати.
- Ігнорування регіональних кодувань — SRT у Windows вимагає кодування UTF-8 with BOM, інакше кракозябри.
Висновок
Автоматична генерація субтитрів позбавляє вас від тижнів ручного розмічання. Ми використовуємо сучасні ASR-моделі з тонким налаштуванням параметрів таймінгу. Гарантуємо точність синхронізації та відповідність стандартам мовлення. Досвід наших інженерів — понад 5 років у NLP та MLOps. Отримайте консультацію: пишіть — ми покажемо demo на вашому файлі. Зв'яжіться з нами, і ви оціните економію часу та бюджету.