النص المفرّغ يخبرك بما قيل؛ والطوابع الزمنية تخبرك أين تجده في التسجيل.
كيف يعمل
تقدّم معظم أنظمة ASR مستويين:
- مستوى المقطع. نطاق زمني واحد لكل عبارة، مثلًا
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - مستوى الكلمة. نطاق زمني واحد لكل كلمة، مثلًا
hiمن 0.5 إلى 0.9 ثانية وthereمن 1.0 إلى 1.5 ثانية.
يتيح خط معالجة ASR في Hugging Face المستويين عبر return_timestamps: القيمة True تعطي مقاطع في Whisper، و"word" تعطي كلمات، وتدعم نماذج CTC مثل Wav2Vec2 أيضًا "char". وتعود النتائج في صورة chunks، لكل منها text وصف (start, end). ويشير التوثيق إلى أن أوقات الكلمات في Whisper تُقدَّر بالمحاذاة الزمنية الديناميكية (dynamic time warping) على أوزان الانتباه المتقاطع، فهي تقريب لا قياس.
وتتبع الواجهات المستضافة النمط نفسه. يوثّق دليل OpenAI لتحويل الكلام إلى نص المعامل timestamp_granularities[] بقيمة word أو segment، مقرونًا بـ response_format: "verbose_json"، ويوثّقه فقط لنموذج whisper-1 المتقادم، الذي تستطيع التكاملات القائمة استخدامه حتى يُوقف تشغيله في 26 فبراير 2027.
curl https://api.openai.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F model=whisper-1 -F file=@call.mp3 \
-F response_format=verbose_json \
-F "timestamp_granularities[]=word"
لماذا يهم
- الترجمة المصاحبة للفيديو. تحتاج ملفات SRT وVTT إلى بداية ونهاية لكل سطر تسمية.
- البحث والمراجعة. يستطيع مراجع الجودة القفز إلى الثانية التي تبدأ فيها الشكوى بدل الاستماع إلى المكالمة كاملة؛ راجع تفريغ تسجيلات مراكز الاتصال.
- أدوار المتحدثين. دمج النص المفرّغ مع مخرجات تمييز المتحدثين يتم بمطابقة الأوقات.
- حجم البيانات. مخرجات مستوى الكلمة أطول بكثير من النص العادي، وهذا مهم إذا مرّرتها بعد ذلك إلى نموذج لغة في صورة رموز.
في BroadNet Inference
لا يوثّق توثيق BroadNet أي طوابع زمنية. تُرجع /v1/audio/transcriptions النص المفرّغ بالشكل {"text": "..."}، ولا يُدرج أي خيار timestamp_granularities. وتُدرج بيانات /v1/models الوصفية لدى BroadNet (تاريخ المراجعة 2026-11-15) الصيغة verbose_json ضمن صيغ الاستجابة، لكن لا شيء يقول إنها تحمل أوقات المقاطع أو الكلمات، فاختبرها قبل الاعتماد عليها. وللتوقيت التقريبي، قطّع الصوت بنفسك، مثلًا عند فترات الصمت التي يجدها كشف النشاط الصوتي أو إلى مقاطع ثابتة الطول، وسجّل إزاحة بداية كل مقطع. فيرث نص كل مقطع تلك الإزاحة. يعطي هذا توقيتًا على مستوى الجملة يكفي للتنقل داخل مكالمة، لا لترجمة دقيقة على مستوى الإطار. أرسل language مع كل مقطع إلى BroadNet Transcribe Arabic أو BroadNet Transcribe. وإذا كان التوقيت على مستوى الكلمة شرطًا لا غنى عنه، فشغّل أداة محاذاة أو نموذجًا يوثّقه.