Расшифровка говорит, что было сказано; временные метки — где в записи это найти.
Как это работает
Большинство систем ASR предлагают два уровня:
- Уровень сегментов. Один интервал на фразу, например
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - Уровень слов. Один интервал на слово, например
hiс 0,5 до 0,9 с иthereс 1,0 до 1,5 с.
ASR-пайплайн Hugging Face даёт оба уровня через return_timestamps: True возвращает сегменты для Whisper, "word" — слова, а CTC-модели, например Wav2Vec2, поддерживают ещё и "char". Результаты приходят в виде chunks, у каждого есть text и кортеж (start, end). В документации отмечено, что время слов у Whisper оценивается динамической трансформацией времени (DTW) по весам cross-attention — это приближение, а не измерение.
Облачные API следуют той же схеме. Руководство OpenAI по распознаванию речи описывает timestamp_granularities[] со значениями word или segment в паре с response_format: "verbose_json" и описывает это только для устаревшей модели whisper-1, которую существующие интеграции могут использовать до её отключения 26 февраля 2027 г.
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"
Почему это важно
- Субтитры. В файлах SRT и VTT для каждой строки титра нужны начало и конец.
- Поиск и проверка. Специалист по контролю качества может перейти к секунде, где начинается жалоба, а не слушать весь звонок; см. статью о транскрибации записей колл-центра.
- Смена говорящих. Расшифровку объединяют с результатом диаризации, сопоставляя время.
- Размер данных. Вывод с метками слов намного длиннее простого текста, а это важно, если потом вы отправляете его в LLM в виде токенов.
В BroadNet Inference
В документации BroadNet временные метки не описаны. /v1/audio/transcriptions возвращает расшифровку как {"text": "..."}, и параметр timestamp_granularities не указан. Метаданные /v1/models у BroadNet (проверено 2026-11-15) перечисляют verbose_json среди форматов ответа, но нигде не сказано, что в нём есть время сегментов или слов, так что проверьте это, прежде чем на него полагаться. Для грубого тайминга режьте аудио сами, например по паузам, найденным детектором речевой активности (VAD), или на фрагменты фиксированной длины, и записывайте смещение начала каждого фрагмента. Текст фрагмента наследует это смещение. Так получается тайминг на уровне предложений — достаточно, чтобы перемещаться по звонку, но не для субтитров с точностью до кадра. Передавайте language с каждым фрагментом в BroadNet Transcribe Arabic или BroadNet Transcribe. Если тайминг на уровне слов обязателен, используйте элайнер или модель, в документации которой он описан.