ٹرانسکرپٹ بتاتی ہے کہ کیا کہا گیا؛ ٹائم اسٹیمپس بتاتے ہیں کہ ریکارڈنگ میں اسے کہاں تلاش کریں۔
یہ کیسے کام کرتے ہیں
زیادہ تر ASR سسٹمز دو سطحیں دیتے ہیں:
- سیگمنٹ کی سطح۔ ہر فقرے کے لیے ایک وقت کی حد، مثلاً
{"text": " Hi there!", "timestamp": (0.5, 1.5)}۔ - ورڈ کی سطح۔ ہر لفظ کے لیے ایک وقت کی حد، مثلاً
hi0.5 سے 0.9 s پر اورthere1.0 سے 1.5 s پر۔
Hugging Face کی ASR pipeline دونوں return_timestamps کے ذریعے دیتی ہے: True، Whisper کے لیے سیگمنٹس دیتا ہے، "word" الفاظ دیتا ہے، اور Wav2Vec2 جیسے CTC ماڈلز "char" بھی سپورٹ کرتے ہیں۔ نتائج chunks کی صورت میں آتے ہیں، ہر ایک میں text اور (start, end) tuple۔ دستاویزات بتاتی ہیں کہ Whisper کے لفظی اوقات cross-attention weights پر dynamic time warping سے اندازاً نکالے جاتے ہیں، یہ پیمائش نہیں بلکہ تخمینہ ہے۔
ہوسٹڈ API بھی یہی پیٹرن اپناتے ہیں۔ OpenAI کی speech-to-text گائیڈ word یا segment کے ساتھ timestamp_granularities[] دستاویزی کرتی ہے، response_format: "verbose_json" کے ساتھ، اور اسے صرف deprecated whisper-1 ماڈل کے لیے دستاویزی کرتی ہے، جسے موجودہ انٹیگریشنز 26 فروری 2027 کو بند ہونے تک استعمال کر سکتی ہیں۔
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"
یہ کیوں اہم ہیں
- سب ٹائٹلز۔ SRT اور VTT فائلوں کو ہر کیپشن لائن کے لیے شروع اور اختتام کا وقت چاہیے۔
- سرچ اور ریویو۔ کوالٹی ریویور پوری کال سننے کے بجائے سیدھا اس سیکنڈ پر جا سکتا ہے جہاں شکایت شروع ہوتی ہے؛ دیکھیں کال سینٹر ریکارڈنگز ٹرانسکرائب کرنا۔
- بولنے والوں کی باری۔ ٹرانسکرپٹ کو ڈائرائزیشن آؤٹ پٹ سے ملانا اوقات ملا کر ہوتا ہے۔
- پے لوڈ سائز۔ ورڈ سطح کا آؤٹ پٹ سادہ متن سے کہیں لمبا ہوتا ہے، جو اہم ہے اگر آپ اسے بعد میں LLM کو ٹوکنز کے طور پر دیتے ہیں۔
BroadNet Inference پر
BroadNet کی دستاویزات ٹائم اسٹیمپس دستاویزی نہیں کرتیں۔ /v1/audio/transcriptions ٹرانسکرپٹ کو {"text": "..."} کی صورت میں لوٹاتا ہے، اور کوئی timestamp_granularities آپشن درج نہیں۔ BroadNet کا /v1/models میٹا ڈیٹا (جانچا گیا 2026-11-15) verbose_json کو جواب کے فارمیٹ کے طور پر درج کرتا ہے، لیکن کہیں نہیں لکھا کہ اس میں سیگمنٹ یا لفظی اوقات ہوتے ہیں، اس لیے بھروسا کرنے سے پہلے ٹیسٹ کریں۔ موٹی ٹائمنگ کے لیے آڈیو خود کاٹیں، مثلاً وائس ایکٹیویٹی ڈیٹیکشن سے ملے وقفوں پر یا مقررہ حصوں میں، اور ہر حصے کا ابتدائی آفسیٹ ریکارڈ کریں۔ پھر ہر حصے کا متن وہی آفسیٹ پاتا ہے۔ اس سے جملے کی سطح کی ٹائمنگ ملتی ہے، جو کال میں ادھر ادھر جانے کے لیے کافی ہے، فریم کی سطح پر درست سب ٹائٹلز کے لیے نہیں۔ ہر حصے کے ساتھ BroadNet Transcribe Arabic یا BroadNet Transcribe کو language بھیجیں۔ اگر ورڈ سطح کی ٹائمنگ لازمی شرط ہے تو کوئی aligner چلائیں یا ایسا ماڈل استعمال کریں جو اسے دستاویزی کرتا ہو۔