BroadRouter

Timestamps (speech-to-text)

Na-update

Ang mga timestamp sa speech-to-text ay oras ng simula at dulo, sa segundo, na nakakabit sa mga bahagi ng transcript. Sakop ng segment timestamp ang isang parirala o pangungusap; sakop ng word timestamp ang bawat salita. Kailangan ang mga ito para sa subtitle, paghahanap sa loob ng recording at pagtutugma ng text sa mga nagsasalita.

Tinatawag ding: timestamp ng transcript, oras kada salita, word timestamps, word-level timestamps, segment timestamps, timestamp_granularities, ASR timestamps

Sinasabi ng transcript kung ano ang sinabi; sinasabi ng mga timestamp kung saan ito mahahanap sa recording.

Paano ito gumagana

Dalawang antas ang inaalok ng karamihan ng ASR system:

  • Antas ng segment. Isang hanay ng oras kada parirala, halimbawa {"text": " Hi there!", "timestamp": (0.5, 1.5)}.
  • Antas ng salita. Isang hanay ng oras kada salita, halimbawa hi sa 0.5 hanggang 0.9 s at there sa 1.0 hanggang 1.5 s.

Inilalabas ng ASR pipeline ng Hugging Face ang dalawa sa pamamagitan ng return_timestamps: segment ang ibinibigay ng True para sa Whisper, salita ang ibinibigay ng "word", at sinusuportahan din ng mga CTC model gaya ng Wav2Vec2 ang "char". Bumabalik ang resulta bilang chunks, bawat isa may text at (start, end) na tuple. Ayon sa docs, tinatantiya ang oras ng mga salita sa Whisper gamit ang dynamic time warping sa cross-attention weights, isang approximation at hindi sukat.

Ganito rin ang pattern ng mga hosted API. Dinodokumento ng speech-to-text guide ng OpenAI ang timestamp_granularities[] na may word o segment, kapares ng response_format: "verbose_json", at dinodokumento ito para lang sa deprecated na model na whisper-1, na magagamit ng mga kasalukuyang integration hanggang mag-shut down ito sa Pebrero 26, 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"

Bakit ito mahalaga

  • Mga subtitle. Kailangan ng SRT at VTT file ng simula at dulo kada linya ng caption.
  • Search at review. Makakatalon ang quality reviewer sa mismong segundo kung kailan nagsimula ang reklamo sa halip na pakinggan ang buong tawag; tingnan ang pag-transcribe ng mga recording ng call center.
  • Palitan ng nagsasalita. Gumagana ang pagsasama ng transcript sa output ng diarization sa pagtutugma ng mga oras.
  • Laki ng payload. Mas mahaba nang husto ang output sa antas ng salita kaysa sa plain text, na mahalaga kung ipapasa mo ito sa LLM bilang mga token.

Sa BroadNet Inference

Walang dokumentasyon ng timestamp sa docs ng BroadNet. Ibinabalik ng /v1/audio/transcriptions ang transcript bilang {"text": "..."}, at walang nakalistang option na timestamp_granularities. Inililista ng /v1/models metadata ng BroadNet (sinuri noong 2026-11-15) ang verbose_json bilang response format, pero walang nagsasabing may dala itong oras kada segment o salita, kaya subukan muna bago umasa rito. Para sa magaspang na timing, ikaw mismo ang pumutol sa audio, halimbawa sa mga paghinto na nakita ng voice activity detection o sa mga takdang segment, at itala ang offset ng simula ng bawat chunk. Mamanahin ng text ng bawat chunk ang offset na iyon. Nagbibigay ito ng timing sa antas ng pangungusap, sapat para tumalon-talon sa isang tawag, hindi para sa subtitle na tumpak sa frame. Ipadala ang language kasama ng bawat chunk sa BroadNet Transcribe Arabic o BroadNet Transcribe. Kung mahigpit na kailangan ang timing kada salita, magpatakbo ng aligner o ng model na nagdodokumento nito.

Mga tanong

Ano ang pagkakaiba ng word at segment timestamp?

Isang oras ng simula at dulo para sa isang parirala ng isa o higit pang salita ang segment timestamp. Hanay ng oras para sa bawat salita ang word timestamp, na kailangan ng mga subtitle editor at search tool.

Nagbabalik ba ng timestamp ang transcription API ng BroadNet?

Walang dokumentadong timestamp. {"text": ...} lang ang response, kaya hatiin ang audio sa mga chunk at subaybayan ang offset ng bawat chunk kung kailangan mo ng magaspang na timing.

Paano ako gagawa ng subtitle nang walang word timestamp?

Hatiin ang audio sa maiikling chunk sa mga paghinto, i-transcribe ang bawat isa, at gamitin ang offset ng simula at dulo ng bawat chunk bilang oras ng caption. Timing ito sa antas ng parirala, sapat para sa maraming subtitle file pero hindi tumpak sa frame.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity