---
title: "¿Qué son las marcas de tiempo por palabra en voz a texto?"
description: "Las marcas de tiempo de ASR indican cuándo se dijo cada palabra o segmento. Palabra vs. segmento, cómo las dan las APIs y qué hacer si solo recibe texto."
url: https://broadrouter.com/es/glossary/timestamps-asr/
lang: es
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/timestamps-asr/) (actualizado el 2026-11-16).

# Marcas de tiempo en voz a texto (timestamps)

Actualizado 2026-11-16

Las marcas de tiempo en voz a texto son tiempos de inicio y fin, en segundos, asociados a partes de una transcripción. Las de segmento cubren una frase u oración; las de palabra cubren cada palabra. Se necesitan para subtítulos, para buscar dentro de grabaciones y para alinear el texto con los hablantes.

También llamado: marcas de tiempo, timestamps, marcas de tiempo por palabra, marcas de tiempo por segmento, word timestamps, word-level timestamps, segment timestamps, timestamp\_granularities, ASR timestamps

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 `hi` de 0.5 a 0.9 s y `there` de 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.

```bash
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](https://broadrouter.com/es/blog/transcribe-call-center-recordings/).
-   **Turnos de hablante.** Combinar una transcripción con la salida de [diarización](https://broadrouter.com/es/glossary/diarization/) 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](https://broadrouter.com/es/glossary/token/).

## 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](https://broadrouter.com/es/glossary/vad/) 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](https://broadrouter.com/es/models/cohere-transcribe-arabic/) o [BroadNet Transcribe](https://broadrouter.com/es/models/cohere-transcribe/). Si los tiempos por palabra son un requisito indispensable, use un alineador o un modelo que los documente.

## Preguntas frecuentes

### ¿Cuál es la diferencia entre marcas de tiempo por palabra y por segmento?

Una marca de tiempo de segmento da un único inicio y fin para una frase de una o más palabras. Una marca de tiempo de palabra da un rango de tiempo para cada palabra, que es lo que necesitan los editores de subtítulos y las herramientas de búsqueda.

### ¿La API de transcripción de BroadNet devuelve marcas de tiempo?

No hay marcas de tiempo documentadas. La respuesta es solo {"text": ...}, así que divida el audio en fragmentos y registre el desplazamiento de cada uno si necesita tiempos aproximados.

### ¿Cómo hago subtítulos sin marcas de tiempo por palabra?

Divida el audio en fragmentos cortos en las pausas, transcriba cada uno y use el desplazamiento de inicio y fin de cada fragmento como tiempo del subtítulo. Eso da tiempos a nivel de frase, suficientes para muchos archivos de subtítulos, pero no exactos al fotograma.

## Vea también

-   [Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/) (término)
-   [Diarización de hablantes (speaker diarization)](https://broadrouter.com/es/glossary/diarization/) (término)
-   [Detección de actividad de voz (VAD)](https://broadrouter.com/es/glossary/vad/) (término)
-   [Frecuencia de muestreo (sample rate)](https://broadrouter.com/es/glossary/sample-rate/) (término)
-   [Subtítulos SRT (SRT subtitles)](https://broadrouter.com/es/glossary/srt-subtitles/) (término)
-   [API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/) (guía)
-   [Cómo transcribir grabaciones de call center: pipeline listo para árabe](https://broadrouter.com/es/blog/transcribe-call-center-recordings/) (artículo)
-   [Alternativa a la API de Whisper: cuándo cambiar y cómo probarla](https://broadrouter.com/es/blog/whisper-api-alternative/) (artículo)
-   [Subtítulos en árabe (SRT) desde una API de voz a texto: qué necesita](https://broadrouter.com/es/blog/arabic-subtitles-srt-api/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-timestamps-asr&utm_content=page-cta) ·

**Fuentes**

-   [OpenAI, guía de voz a texto (timestamp\_granularities) (consultado el 2026-11-16)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Hugging Face Transformers, pipelines (return\_timestamps en ASR) (consultado el 2026-11-16)](https://huggingface.co/docs/transformers/main_classes/pipelines)
-   [Referencia de la API de BroadNet Inference, respuesta de transcripción (consultado el 2026-11-16) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-timestamps-asr&utm_content=sources)
