Una transcripción le dice qué se dijo; las marcas de tiempo le dicen en qué punto de la grabación encontrarlo.
Cómo funciona
La mayoría de los sistemas ASR ofrecen dos niveles:
- Nivel de segmento. Un rango de tiempo por frase, por ejemplo
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - Nivel de palabra. Un rango de tiempo por palabra, por ejemplo
hide 0.5 a 0.9 s ytherede 1.0 a 1.5 s.
El pipeline de ASR de Hugging Face ofrece ambos mediante return_timestamps: True da segmentos en Whisper, "word" da palabras, y los modelos CTC como Wav2Vec2 también admiten "char". Los resultados llegan como chunks, cada uno con text y una tupla (start, end). La documentación señala que los tiempos por palabra de Whisper se estiman con dynamic time warping sobre los pesos de atención cruzada, una aproximación y no una medición.
Las APIs alojadas siguen el mismo patrón. La guía de voz a texto de OpenAI documenta timestamp_granularities[] con word o segment, junto con response_format: "verbose_json", y lo documenta solo para el modelo obsoleto whisper-1, que las integraciones existentes pueden usar hasta su apagado el 26 de febrero de 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"
Por qué importa
- Subtítulos. Los archivos SRT y VTT necesitan un inicio y un fin por línea de subtítulo.
- Búsqueda y revisión. Un revisor de calidad puede saltar al segundo en que empieza una queja en lugar de escuchar toda la llamada; vea transcribir grabaciones de call center.
- Turnos de hablante. Combinar una transcripción con la salida de diarización funciona emparejando tiempos.
- Tamaño de la respuesta. La salida a nivel de palabra es mucho más larga que el texto plano, lo que importa si luego la pasa a un LLM como tokens.
En BroadNet Inference
La documentación de BroadNet no documenta marcas de tiempo. /v1/audio/transcriptions devuelve la transcripción como {"text": "..."}, y no se lista ninguna opción timestamp_granularities. Los metadatos de /v1/models de BroadNet (consultados el 2026-11-15) incluyen verbose_json como formato de respuesta, pero nada indica que contenga tiempos de segmento o de palabra, así que pruébelo antes de depender de él. Para tiempos aproximados, corte el audio usted mismo, por ejemplo en las pausas detectadas con detección de actividad de voz o en segmentos fijos, y registre el desplazamiento de inicio de cada fragmento. El texto de cada fragmento hereda ese desplazamiento. Así obtiene tiempos a nivel de oración, suficientes para moverse por una llamada, pero no subtítulos exactos al fotograma. Envíe language con cada fragmento a BroadNet Transcribe Arabic o BroadNet Transcribe. Si los tiempos por palabra son un requisito indispensable, use un alineador o un modelo que los documente.