Une transcription vous dit ce qui a été dit ; les horodatages vous disent où le trouver dans l’enregistrement.
Comment ça marche
La plupart des systèmes ASR proposent deux niveaux :
- Niveau segment. Un intervalle par expression, par exemple
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - Niveau mot. Un intervalle par mot, par exemple
hide 0,5 à 0,9 s ettherede 1,0 à 1,5 s.
Le pipeline ASR de Hugging Face expose les deux via return_timestamps : True donne des segments pour Whisper, "word" donne des mots, et les modèles CTC comme Wav2Vec2 prennent aussi en charge "char". Les résultats reviennent sous forme de chunks, chacun avec un text et un tuple (start, end). La documentation précise que les temps par mot de Whisper sont estimés par dynamic time warping sur les poids de cross-attention : une approximation, pas une mesure.
Les API hébergées suivent le même schéma. Le guide speech-to-text d’OpenAI documente timestamp_granularities[] avec word ou segment, associé à response_format: "verbose_json", et ne le documente que pour le modèle déprécié whisper-1, que les intégrations existantes peuvent utiliser jusqu’à son arrêt le 26 février 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"
Pourquoi c’est important
- Sous-titres. Les fichiers SRT et VTT exigent un début et une fin pour chaque ligne de sous-titre.
- Recherche et contrôle. Un contrôleur qualité peut sauter à la seconde où commence une réclamation au lieu d’écouter tout l’appel ; voir transcrire des enregistrements de centre d’appels.
- Tours de parole. Fusionner une transcription avec la sortie de la diarisation se fait en faisant correspondre les temps.
- Taille de la charge utile. Une sortie au niveau du mot est bien plus longue que le texte brut, ce qui compte si vous la passez ensuite à un LLM sous forme de tokens.
Sur BroadNet Inference
La documentation de BroadNet ne mentionne pas d’horodatages. /v1/audio/transcriptions renvoie la transcription sous la forme {"text": "..."}, et aucune option timestamp_granularities n’est listée. Les métadonnées /v1/models de BroadNet (vérifiées le 2026-11-15) listent verbose_json comme format de réponse, mais rien n’indique qu’il contienne des temps par segment ou par mot : testez-le avant de vous y fier. Pour un timing grossier, découpez l’audio vous-même, par exemple aux pauses repérées par la détection d’activité vocale ou en segments fixes, et notez le décalage de début de chaque segment. Le texte de chaque segment hérite alors de ce décalage. Vous obtenez un timing au niveau de la phrase, suffisant pour naviguer dans un appel, mais pas des sous-titres précis à l’image. Envoyez language avec chaque segment à BroadNet Transcribe Arabic ou BroadNet Transcribe. Si un timing au niveau du mot est indispensable, utilisez un aligneur ou un modèle qui le documente.