Uma transcrição diz o que foi falado; os timestamps dizem onde encontrar isso na gravação.
Como funciona
A maioria dos sistemas de ASR oferece dois níveis:
- Nível de segmento. Um intervalo de tempo por frase, por exemplo
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - Nível de palavra. Um intervalo de tempo por palavra, por exemplo
hide 0,5 a 0,9 s etherede 1,0 a 1,5 s.
O pipeline de ASR da Hugging Face expõe os dois por meio de return_timestamps: True dá segmentos no Whisper, "word" dá palavras, e modelos CTC como o Wav2Vec2 também aceitam "char". Os resultados voltam como chunks, cada um com text e uma tupla (start, end). A documentação observa que os tempos por palavra do Whisper são estimados com dynamic time warping sobre os pesos de cross-attention, uma aproximação e não uma medição.
As APIs hospedadas seguem o mesmo padrão. O guia de speech-to-text da OpenAI documenta timestamp_granularities[] com word ou segment, junto com response_format: "verbose_json", e só documenta isso para o modelo descontinuado whisper-1, que as integrações existentes podem usar até o desligamento, em 26 de fevereiro de 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"
Por que isso importa
- Legendas. Arquivos SRT e VTT precisam de início e fim para cada linha de legenda.
- Busca e revisão. Quem revisa a qualidade pode pular para o segundo em que uma reclamação começa, em vez de ouvir a ligação inteira; veja como transcrever gravações de call center.
- Turnos de fala. Juntar uma transcrição com a saída da diarização funciona casando os tempos.
- Tamanho do payload. A saída por palavra é bem mais longa que o texto puro, o que importa se você depois a envia a um LLM como tokens.
Na BroadNet Inference
A documentação da BroadNet não documenta timestamps. /v1/audio/transcriptions devolve a transcrição como {"text": "..."}, e nenhuma opção timestamp_granularities aparece na lista. Os metadados de /v1/models da BroadNet (conferidos em 2026-11-15) listam verbose_json como formato de resposta, mas nada diz que ele traga tempos de segmento ou de palavra, então teste antes de depender disso. Para tempos aproximados, corte o áudio você mesmo, por exemplo nas pausas encontradas com detecção de atividade de voz ou em segmentos fixos, e registre o offset de início de cada trecho. O texto de cada trecho herda esse offset. Isso dá tempos no nível da frase, bons o bastante para navegar por uma ligação, mas não legendas com precisão de quadro. Envie language em cada trecho para o BroadNet Transcribe Arabic ou o BroadNet Transcribe. Se tempos por palavra forem um requisito obrigatório, use um alinhador ou um modelo que documente esse recurso.