---
title: "Cosa sono i timestamp per parola e segmento nello STT?"
description: "I timestamp ASR dicono quando è stata detta ogni parola o segmento. Per parola o per segmento, come li restituiscono le API e cosa fare se arriva solo testo."
url: https://broadrouter.com/it/glossary/timestamps-asr/
lang: it
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/timestamps-asr/) (aggiornato il 2026-11-16).

# Timestamp (speech-to-text)

Aggiornato 2026-11-16

I timestamp nello speech-to-text sono tempi di inizio e fine, in secondi, associati a parti di una trascrizione. I timestamp di segmento coprono una frase o un periodo; quelli per parola coprono ogni parola. Servono per sottotitoli, ricerca dentro le registrazioni e allineamento del testo con i parlanti.

Detto anche: timestamp per parola, timestamp a livello di parola, timestamp di segmento, marcature temporali, word timestamps, word-level timestamps, segment timestamps, timestamp\_granularities, ASR timestamps

Una trascrizione ti dice cosa è stato detto; i timestamp ti dicono dove trovarlo nella registrazione.

## Come funziona

La maggior parte dei sistemi ASR offre due livelli:

-   **Livello di segmento.** Un intervallo di tempo per frase, per esempio `{"text": " Hi there!", "timestamp": (0.5, 1.5)}`.
-   **Livello di parola.** Un intervallo di tempo per parola, per esempio `hi` da 0,5 a 0,9 s e `there` da 1,0 a 1,5 s.

La pipeline ASR di Hugging Face espone entrambi tramite `return_timestamps`: `True` dà i segmenti per Whisper, `"word"` dà le parole, e i modelli CTC come Wav2Vec2 supportano anche `"char"`. I risultati tornano come `chunks`, ciascuno con `text` e una tupla `(start, end)`. La documentazione osserva che i tempi per parola di Whisper sono stimati con dynamic time warping sui pesi di cross-attention: un’approssimazione, non una misura.

Le API in hosting seguono lo stesso schema. La guida allo speech-to-text di OpenAI documenta `timestamp_granularities[]` con `word` o `segment`, insieme a `response_format: "verbose_json"`, e lo documenta solo per il modello deprecato `whisper-1`, che le integrazioni esistenti possono usare fino alla sua dismissione il 26 febbraio 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"
```

## Perché è importante

-   **Sottotitoli.** I file SRT e VTT richiedono un inizio e una fine per ogni riga di sottotitolo.
-   **Ricerca e revisione.** Chi controlla la qualità può saltare al secondo in cui inizia un reclamo invece di ascoltare tutta la chiamata; vedi [trascrivere le registrazioni del call center](https://broadrouter.com/it/blog/transcribe-call-center-recordings/).
-   **Turni dei parlanti.** Unire una trascrizione con l’output della [diarizzazione](https://broadrouter.com/it/glossary/diarization/) funziona facendo combaciare i tempi.
-   **Dimensione del payload.** L’output a livello di parola è molto più lungo del testo semplice, il che conta se poi lo passi a un LLM sotto forma di [token](https://broadrouter.com/it/glossary/token/).

## Su BroadNet Inference

La documentazione di BroadNet non documenta timestamp. `/v1/audio/transcriptions` restituisce la trascrizione come `{"text": "..."}`, e non è elencata alcuna opzione `timestamp_granularities`. I metadati di `/v1/models` di BroadNet (verificati il 2026-11-15) elencano `verbose_json` come formato di risposta, ma niente dice che contenga tempi di segmento o di parola, quindi provalo prima di farci affidamento. Per una tempistica approssimativa, taglia tu l’audio, per esempio nelle pause trovate con la [voice activity detection](https://broadrouter.com/it/glossary/vad/) o in segmenti fissi, e registra l’offset di inizio di ogni pezzo. Il testo di ogni pezzo eredita quell’offset. Ottieni una tempistica a livello di frase, sufficiente per muoverti dentro una chiamata, non sottotitoli precisi al fotogramma. Invia `language` con ogni pezzo a [BroadNet Transcribe Arabic](https://broadrouter.com/it/models/cohere-transcribe-arabic/) o [BroadNet Transcribe](https://broadrouter.com/it/models/cohere-transcribe/). Se la tempistica per parola è un requisito irrinunciabile, usa un aligner o un modello che la documenta.

## Domande frequenti

### Che differenza c’è tra timestamp per parola e per segmento?

Un timestamp di segmento dà un solo tempo di inizio e fine per una frase di una o più parole. Un timestamp per parola dà un intervallo di tempo per ogni parola, ed è ciò che serve a editor di sottotitoli e strumenti di ricerca.

### L’API di trascrizione di BroadNet restituisce i timestamp?

Non sono documentati timestamp. La risposta è solo {"text": ...}, quindi se ti serve una tempistica approssimativa dividi l’audio in pezzi e tieni traccia dell’offset di ciascuno.

### Come creo sottotitoli senza timestamp per parola?

Dividi l’audio in pezzi brevi nelle pause, trascrivi ciascuno e usa l’offset di inizio e fine di ogni pezzo come tempo del sottotitolo. Ottieni una tempistica a livello di frase, sufficiente per molti file di sottotitoli ma non precisa al fotogramma.

## Vedi anche

-   [Speech-to-text (riconoscimento vocale)](https://broadrouter.com/it/glossary/speech-to-text/) (termine)
-   [Speaker diarization (diarizzazione del parlato)](https://broadrouter.com/it/glossary/diarization/) (termine)
-   [Voice activity detection (VAD)](https://broadrouter.com/it/glossary/vad/) (termine)
-   [Frequenza di campionamento (sample rate)](https://broadrouter.com/it/glossary/sample-rate/) (termine)
-   [Sottotitoli SRT (file .srt)](https://broadrouter.com/it/glossary/srt-subtitles/) (termine)
-   [API speech-to-text in arabo, passo dopo passo](https://broadrouter.com/it/guides/arabic-speech-to-text-api/) (guida)
-   [Trascrivere le chiamate del call center: pipeline pronta per l’arabo](https://broadrouter.com/it/blog/transcribe-call-center-recordings/) (articolo)
-   [Alternative all’API Whisper: quando cambiare e come provarle](https://broadrouter.com/it/blog/whisper-api-alternative/) (articolo)
-   [Sottotitoli in arabo (SRT) da un’API speech-to-text: cosa serve](https://broadrouter.com/it/blog/arabic-subtitles-srt-api/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [OpenAI, guida allo speech-to-text (timestamp\_granularities) (verificato il 2026-11-16)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Hugging Face Transformers, pipeline (return\_timestamps per l’ASR) (verificato il 2026-11-16)](https://huggingface.co/docs/transformers/main_classes/pipelines)
-   [Riferimento API di BroadNet Inference, risposta di trascrizione (verificato il 2026-11-16) (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-timestamps-asr&utm_content=sources)
