Ein Transkript sagt Ihnen, was gesagt wurde; Zeitstempel sagen Ihnen, wo in der Aufnahme Sie es finden.
So funktioniert es
Die meisten ASR-Systeme bieten zwei Ebenen:
- Segmentebene. Ein Zeitbereich pro Wendung, zum Beispiel
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - Wortebene. Ein Zeitbereich pro Wort, zum Beispiel
hivon 0,5 bis 0,9 s undtherevon 1,0 bis 1,5 s.
Die ASR-Pipeline von Hugging Face bietet beides über return_timestamps: True liefert bei Whisper Segmente, "word" liefert Wörter, und CTC-Modelle wie Wav2Vec2 unterstützen zusätzlich "char". Die Ergebnisse kommen als chunks, jeweils mit text und einem Tupel (start, end). Die Dokumentation weist darauf hin, dass die Wortzeiten von Whisper per Dynamic Time Warping über Cross-Attention-Gewichte geschätzt werden, also eine Näherung und keine Messung sind.
Gehostete APIs folgen demselben Muster. Der Speech-to-Text-Leitfaden von OpenAI dokumentiert timestamp_granularities[] mit word oder segment, zusammen mit response_format: "verbose_json", und dokumentiert es nur für das abgekündigte Modell whisper-1, das bestehende Integrationen bis zu seiner Abschaltung am 26. Februar 2027 nutzen können.
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"
Warum es wichtig ist
- Untertitel. SRT- und VTT-Dateien brauchen Start und Ende für jede Untertitelzeile.
- Suche und Prüfung. Ein Qualitätsprüfer kann zur Sekunde springen, in der eine Beschwerde beginnt, statt ein ganzes Gespräch anzuhören; siehe Callcenter-Aufnahmen transkribieren.
- Sprecherwechsel. Ein Transkript mit der Ausgabe der Diarisierung zusammenzuführen funktioniert über den Abgleich der Zeiten.
- Größe der Nutzdaten. Ausgabe auf Wortebene ist viel länger als der reine Text, was zählt, wenn Sie sie anschließend als Tokens in ein LLM geben.
Bei BroadNet Inference
Die Dokumentation von BroadNet beschreibt keine Zeitstempel. /v1/audio/transcriptions liefert das Transkript als {"text": "..."}, und eine Option timestamp_granularities ist nicht aufgeführt. Die Metadaten von /v1/models bei BroadNet (geprüft am 2026-11-15) nennen verbose_json als Antwortformat, aber nichts sagt, dass es Segment- oder Wortzeiten enthält. Testen Sie es also, bevor Sie sich darauf verlassen. Für ein grobes Timing schneiden Sie das Audio selbst, zum Beispiel an Pausen, die eine Voice Activity Detection findet, oder in feste Segmente, und notieren den Start-Offset jedes Chunks. Der Text jedes Chunks übernimmt dann diesen Offset. Das ergibt ein Timing auf Satzebene, gut genug, um in einem Gespräch hin und her zu springen, aber keine bildgenauen Untertitel. Senden Sie bei jedem Chunk language an BroadNet Transcribe Arabic oder BroadNet Transcribe. Ist Timing auf Wortebene eine harte Anforderung, setzen Sie einen Aligner oder ein Modell ein, das es dokumentiert.