ट्रांसक्रिप्ट बताती है कि क्या कहा गया; टाइमस्टैम्प बताते हैं कि रिकॉर्डिंग में उसे कहाँ ढूँढें।
यह कैसे काम करता है
ज़्यादातर ASR सिस्टम दो स्तर देते हैं:
- सेगमेंट स्तर. हर वाक्यांश के लिए एक समय-सीमा, जैसे
{"text": " Hi there!", "timestamp": (0.5, 1.5)}। - वर्ड स्तर. हर शब्द के लिए एक समय-सीमा, जैसे
hi0.5 से 0.9 s पर औरthere1.0 से 1.5 s पर।
Hugging Face की ASR pipeline दोनों return_timestamps से देती है: True Whisper के लिए सेगमेंट देता है, "word" शब्द देता है, और Wav2Vec2 जैसे CTC मॉडल "char" भी सपोर्ट करते हैं। नतीजे chunks के रूप में आते हैं, हर एक में text और (start, end) tuple। डॉक्स बताते हैं कि Whisper के शब्द-समय cross-attention weights पर dynamic time warping से अनुमानित होते हैं, यह माप नहीं बल्कि अनुमान है।
होस्टेड API भी यही पैटर्न अपनाते हैं। OpenAI की speech-to-text गाइड word या segment के साथ timestamp_granularities[] दर्ज करती है, response_format: "verbose_json" के साथ, और इसे सिर्फ़ deprecated whisper-1 मॉडल के लिए दर्ज करती है, जिसे मौजूदा इंटीग्रेशन 26 फ़रवरी 2027 को उसके बंद होने तक इस्तेमाल कर सकते हैं।
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"
यह क्यों मायने रखता है
- सबटाइटल. SRT और VTT फ़ाइलों को हर कैप्शन लाइन के लिए शुरू और अंत का समय चाहिए।
- सर्च और रिव्यू. क्वालिटी रिव्यूअर पूरी कॉल सुनने के बजाय सीधे उस सेकंड पर जा सकता है जहाँ शिकायत शुरू होती है; देखें कॉल सेंटर रिकॉर्डिंग ट्रांसक्राइब करना।
- स्पीकर की बारी. ट्रांसक्रिप्ट को डायराइज़ेशन आउटपुट से मिलाना समय मिलाकर होता है।
- पेलोड साइज़. वर्ड-स्तर का आउटपुट प्लेन टेक्स्ट से कहीं लंबा होता है, जो मायने रखता है अगर आप उसे बाद में LLM को टोकन के रूप में देते हैं।
BroadNet Inference पर
BroadNet के डॉक्स टाइमस्टैम्प दर्ज नहीं करते। /v1/audio/transcriptions ट्रांसक्रिप्ट को {"text": "..."} के रूप में लौटाता है, और कोई timestamp_granularities विकल्प लिस्ट नहीं है। BroadNet का /v1/models मेटाडेटा (जाँचा गया 2026-11-15) verbose_json को रिस्पॉन्स फ़ॉर्मैट के रूप में लिस्ट करता है, लेकिन कहीं नहीं लिखा कि उसमें सेगमेंट या शब्द-समय होते हैं, इसलिए भरोसा करने से पहले टेस्ट करें। मोटी टाइमिंग के लिए ऑडियो ख़ुद काटें, जैसे वॉइस एक्टिविटी डिटेक्शन से मिले ठहरावों पर या तय सेगमेंट में, और हर चंक का शुरुआती ऑफ़सेट दर्ज करें। फिर हर चंक का टेक्स्ट वही ऑफ़सेट पाता है। इससे वाक्य-स्तर की टाइमिंग मिलती है, जो कॉल में इधर-उधर जाने के लिए काफ़ी है, फ़्रेम-सटीक सबटाइटल के लिए नहीं। हर चंक के साथ BroadNet Transcribe Arabic या BroadNet Transcribe को language भेजें। अगर वर्ड-स्तर की टाइमिंग ज़रूरी शर्त है, तो कोई aligner चलाएँ या ऐसा मॉडल इस्तेमाल करें जो इसे दर्ज करता हो।