Transkript size ne söylendiğini söyler; zaman damgaları ise kaydın neresinde bulacağınızı.
Nasıl çalışır
Çoğu ASR sistemi iki düzey sunar:
- Segment düzeyi. İfade başına bir zaman aralığı, örneğin
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - Kelime düzeyi. Kelime başına bir zaman aralığı, örneğin
hiiçin 0,5 ile 0,9 sn,thereiçin 1,0 ile 1,5 sn.
Hugging Face’in ASR pipeline’ı ikisini de return_timestamps ile sunar: Whisper için True segmentleri, "word" kelimeleri verir; Wav2Vec2 gibi CTC modelleri "char" değerini de destekler. Sonuçlar, her biri text ve bir (start, end) demeti içeren chunks olarak döner. Belgeler, Whisper’ın kelime zamanlarının cross-attention ağırlıkları üzerinde dinamik zaman bükmesiyle (dynamic time warping) tahmin edildiğini, yani bir ölçüm değil yaklaşık bir değer olduğunu not eder.
Barındırılan API’ler aynı kalıbı izler. OpenAI’nin konuşmadan metne rehberi, response_format: "verbose_json" ile birlikte word veya segment değerli timestamp_granularities[] parametresini belgeler ve bunu yalnızca kullanımdan kaldırılmış whisper-1 modeli için belgeler; mevcut entegrasyonlar bu modeli 26 Şubat 2027’de kapanana kadar kullanabilir.
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"
Neden önemli
- Altyazılar. SRT ve VTT dosyaları her altyazı satırı için bir başlangıç ve bitiş ister.
- Arama ve inceleme. Bir kalite denetçisi, tüm görüşmeyi dinlemek yerine şikâyetin başladığı saniyeye atlayabilir; bkz. çağrı merkezi kayıtlarını yazıya dökme.
- Konuşmacı geçişleri. Bir transkripti konuşmacı ayrımı çıktısıyla birleştirmek, zamanları eşleştirerek yapılır.
- Yanıt boyutu. Kelime düzeyindeki çıktı düz metinden çok daha uzundur; bunu sonra bir LLM’e token olarak veriyorsanız bu önemlidir.
BroadNet Inference’ta
BroadNet’in belgeleri zaman damgalarını belgelemez. /v1/audio/transcriptions transkripti {"text": "..."} olarak döndürür ve listelenmiş bir timestamp_granularities seçeneği yoktur. BroadNet’in /v1/models meta verisi (kontrol tarihi 2026-11-15) yanıt formatı olarak verbose_json listeler, ancak bunun segment veya kelime zamanları taşıdığına dair bir bilgi yoktur; güvenmeden önce test edin. Kaba bir zamanlama için sesi kendiniz kesin, örneğin ses etkinliği algılama ile bulunan duraklamalardan veya sabit uzunlukta segmentlere, ve her parçanın başlangıç konumunu kaydedin. Her parçanın metni o konumu devralır. Bu, bir görüşmenin içinde gezinmek için yeterli olan cümle düzeyinde bir zamanlama verir; kare hassasiyetinde altyazı vermez. Her parçayla birlikte BroadNet Transcribe Arabic veya BroadNet Transcribe modeline language gönderin. Kelime düzeyinde zamanlama kesin bir gereksinimse bir hizalayıcı (aligner) veya bunu belgeleyen bir model çalıştırın.