---
title: "Que sont les horodatages par mot et par segment en STT ?"
description: "Les horodatages ASR indiquent quand chaque mot ou segment a été prononcé. Mot ou segment, comment les API les renvoient, et que faire face à du texte brut."
url: https://broadrouter.com/fr/glossary/timestamps-asr/
lang: fr
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/timestamps-asr/) (mis à jour le 2026-11-16).

# Horodatages (speech-to-text)

Mis à jour 2026-11-16

En speech-to-text, les horodatages (timestamps) sont des heures de début et de fin, en secondes, attachées à des parties d’une transcription. Les horodatages de segment couvrent une phrase ou une expression ; les horodatages de mot couvrent chaque mot. Ils servent aux sous-titres, à la recherche dans les enregistrements et à l’alignement du texte avec les locuteurs.

Aussi appelé : horodatages, horodatage par mot, horodatages de segment, timestamps, word timestamps, word-level timestamps, segment timestamps, timestamp\_granularities, ASR timestamps

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 `hi` de 0,5 à 0,9 s et `there` de 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.

```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"
```

## 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](https://broadrouter.com/fr/blog/transcribe-call-center-recordings/).
-   **Tours de parole.** Fusionner une transcription avec la sortie de la [diarisation](https://broadrouter.com/fr/glossary/diarization/) 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](https://broadrouter.com/fr/glossary/token/).

## 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](https://broadrouter.com/fr/glossary/vad/) 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](https://broadrouter.com/fr/models/cohere-transcribe-arabic/) ou [BroadNet Transcribe](https://broadrouter.com/fr/models/cohere-transcribe/). Si un timing au niveau du mot est indispensable, utilisez un aligneur ou un modèle qui le documente.

## Questions fréquentes

### Quelle différence entre horodatages par mot et par segment ?

Un horodatage de segment donne une heure de début et de fin pour une expression d’un ou plusieurs mots. Un horodatage de mot donne un intervalle pour chaque mot, ce dont ont besoin les éditeurs de sous-titres et les outils de recherche.

### L’API de transcription de BroadNet renvoie-t-elle des horodatages ?

Aucun horodatage n’est documenté. La réponse se limite à {"text": ...} : découpez donc l’audio en segments et notez le décalage de chacun si vous avez besoin d’un timing approximatif.

### Comment créer des sous-titres sans horodatages par mot ?

Découpez l’audio en segments courts aux pauses, transcrivez chacun et utilisez ses décalages de début et de fin comme temps du sous-titre. Vous obtenez un timing au niveau de la phrase, suffisant pour de nombreux fichiers de sous-titres mais pas précis à l’image.

## Voir aussi

-   [Speech-to-text (reconnaissance vocale)](https://broadrouter.com/fr/glossary/speech-to-text/) (terme)
-   [Diarisation du locuteur (speaker diarization)](https://broadrouter.com/fr/glossary/diarization/) (terme)
-   [Détection d’activité vocale (VAD)](https://broadrouter.com/fr/glossary/vad/) (terme)
-   [Fréquence d’échantillonnage (sample rate)](https://broadrouter.com/fr/glossary/sample-rate/) (terme)
-   [Sous-titres SRT](https://broadrouter.com/fr/glossary/srt-subtitles/) (terme)
-   [API speech-to-text pour l’arabe, étape par étape](https://broadrouter.com/fr/guides/arabic-speech-to-text-api/) (guide)
-   [Transcrire les enregistrements d’un centre d’appels, arabe compris](https://broadrouter.com/fr/blog/transcribe-call-center-recordings/) (article)
-   [Alternative à l’API Whisper : quand changer et comment tester](https://broadrouter.com/fr/blog/whisper-api-alternative/) (article)
-   [Sous-titres arabes (SRT) depuis une API de transcription : l’essentiel](https://broadrouter.com/fr/blog/arabic-subtitles-srt-api/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

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

**Sources**

-   [OpenAI, guide speech to text (timestamp\_granularities) (vérifié le 2026-11-16)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Hugging Face Transformers, pipelines (ASR return\_timestamps) (vérifié le 2026-11-16)](https://huggingface.co/docs/transformers/main_classes/pipelines)
-   [Référence de l’API BroadNet Inference, réponse de transcription (vérifié le 2026-11-16) (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-timestamps-asr&utm_content=sources)
