BroadRouter

Timestamps (speech-to-text)

Atualizado em

Timestamps em speech-to-text são tempos de início e fim, em segundos, associados a partes de uma transcrição. Timestamps de segmento cobrem uma frase ou trecho; timestamps por palavra cobrem cada palavra. Eles são necessários para legendas, busca dentro de gravações e alinhamento do texto com os locutores.

Também chamado de: timestamps por palavra, timestamps de segmento, marcação de tempo, carimbo de tempo, word timestamps, word-level timestamps, segment timestamps, timestamp_granularities, ASR timestamps

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 hi de 0,5 a 0,9 s e there de 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.

Perguntas frequentes

Qual a diferença entre timestamps por palavra e por segmento?

Um timestamp de segmento dá um único início e fim para uma frase de uma ou mais palavras. Um timestamp por palavra dá um intervalo de tempo para cada palavra, que é o que editores de legenda e ferramentas de busca precisam.

A API de transcrição da BroadNet devolve timestamps?

Nenhum timestamp está documentado. A resposta é só {"text": ...}, então divida o áudio em trechos e acompanhe o offset de cada um se precisar de tempos aproximados.

Como faço legendas sem timestamps por palavra?

Divida o áudio em trechos curtos nas pausas, transcreva cada um e use o offset de início e fim de cada trecho como tempo da legenda. Isso dá tempos no nível da frase, suficientes para muitos arquivos de legenda, mas sem precisão de quadro.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity