Transkrip memberi tahu apa yang diucapkan; timestamp memberi tahu di bagian mana rekaman itu bisa ditemukan.
Cara kerjanya
Sebagian besar sistem ASR menyediakan dua level:
- Level segmen. Satu rentang waktu per frasa, misalnya
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - Level kata. Satu rentang waktu per kata, misalnya
hipada 0,5 sampai 0,9 detik dantherepada 1,0 sampai 1,5 detik.
Pipeline ASR Hugging Face menyediakan keduanya lewat return_timestamps: True memberi segmen untuk Whisper, "word" memberi kata, dan model CTC seperti Wav2Vec2 juga mendukung "char". Hasilnya kembali sebagai chunks, masing-masing berisi text dan tuple (start, end). Dokumentasinya mencatat bahwa waktu kata Whisper diperkirakan dengan dynamic time warping atas bobot cross-attention, jadi merupakan aproksimasi, bukan pengukuran.
API yang di-hosting mengikuti pola yang sama. Panduan speech-to-text OpenAI mendokumentasikan timestamp_granularities[] dengan nilai word atau segment, dipasangkan dengan response_format: "verbose_json", dan hanya mendokumentasikan fitur ini untuk model whisper-1 yang sudah deprecated, yang masih bisa dipakai integrasi yang sudah ada sampai dihentikan pada 26 Februari 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"
Mengapa penting
- Subtitle. File SRT dan VTT membutuhkan waktu mulai dan selesai untuk setiap baris takarir.
- Pencarian dan review. Reviewer kualitas bisa langsung melompat ke detik saat keluhan dimulai, tanpa mendengarkan seluruh panggilan; lihat mentranskripsikan rekaman call center.
- Giliran pembicara. Menggabungkan transkrip dengan output speaker diarization dilakukan dengan mencocokkan waktu.
- Ukuran payload. Output level kata jauh lebih panjang daripada teks biasa, dan ini penting jika Anda lalu mengirimkannya ke LLM sebagai token.
Di BroadNet Inference
Dokumentasi BroadNet tidak mendokumentasikan timestamp. /v1/audio/transcriptions mengembalikan transkrip sebagai {"text": "..."}, dan tidak ada opsi timestamp_granularities yang tercantum. Metadata /v1/models BroadNet (diperiksa 2026-11-15) mencantumkan verbose_json sebagai format respons, tetapi tidak ada keterangan bahwa format itu membawa waktu segmen atau kata, jadi uji dulu sebelum mengandalkannya. Untuk timing kasar, potong audio sendiri, misalnya di titik jeda yang ditemukan dengan voice activity detection atau menjadi segmen berdurasi tetap, lalu catat offset mulai setiap potongan. Teks setiap potongan kemudian mewarisi offset tersebut. Hasilnya timing per kalimat yang cukup untuk berpindah-pindah di dalam rekaman panggilan, bukan subtitle yang akurat per frame. Kirim language di setiap potongan ke BroadNet Transcribe Arabic atau BroadNet Transcribe. Jika timing per kata adalah syarat mutlak, jalankan aligner atau model yang mendokumentasikannya.