---
title: "Was sind Wort- und Segment-Zeitstempel bei Speech-to-Text?"
description: "ASR-Zeitstempel zeigen, wann jedes Wort oder Segment gesprochen wurde. Wort- vs. Segment-Zeitstempel, wie APIs sie liefern und was tun bei reinem Text."
url: https://broadrouter.com/de/glossary/timestamps-asr/
lang: de
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/timestamps-asr/) (aktualisiert am 2026-11-16).

# Zeitstempel (Speech-to-Text)

Aktualisiert 2026-11-16

Zeitstempel bei Speech-to-Text sind Start- und Endzeiten in Sekunden, die Teilen eines Transkripts zugeordnet sind. Segment-Zeitstempel gelten für eine Wendung oder einen Satz, Wort-Zeitstempel für jedes Wort. Man braucht sie für Untertitel, die Suche in Aufnahmen und die Zuordnung von Text zu Sprechern.

Auch genannt: Zeitstempel, Wort-Zeitstempel, Segment-Zeitstempel, Zeitmarken, Timestamps, word timestamps, word-level timestamps, segment timestamps, timestamp\_granularities, ASR timestamps

Ein Transkript sagt Ihnen, was gesagt wurde; Zeitstempel sagen Ihnen, wo in der Aufnahme Sie es finden.

## So funktioniert es

Die meisten ASR-Systeme bieten zwei Ebenen:

-   **Segmentebene.** Ein Zeitbereich pro Wendung, zum Beispiel `{"text": " Hi there!", "timestamp": (0.5, 1.5)}`.
-   **Wortebene.** Ein Zeitbereich pro Wort, zum Beispiel `hi` von 0,5 bis 0,9 s und `there` von 1,0 bis 1,5 s.

Die ASR-Pipeline von Hugging Face bietet beides über `return_timestamps`: `True` liefert bei Whisper Segmente, `"word"` liefert Wörter, und CTC-Modelle wie Wav2Vec2 unterstützen zusätzlich `"char"`. Die Ergebnisse kommen als `chunks`, jeweils mit `text` und einem Tupel `(start, end)`. Die Dokumentation weist darauf hin, dass die Wortzeiten von Whisper per Dynamic Time Warping über Cross-Attention-Gewichte geschätzt werden, also eine Näherung und keine Messung sind.

Gehostete APIs folgen demselben Muster. Der Speech-to-Text-Leitfaden von OpenAI dokumentiert `timestamp_granularities[]` mit `word` oder `segment`, zusammen mit `response_format: "verbose_json"`, und dokumentiert es nur für das abgekündigte Modell `whisper-1`, das bestehende Integrationen bis zu seiner Abschaltung am 26. Februar 2027 nutzen können.

```bash
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"
```

## Warum es wichtig ist

-   **Untertitel.** SRT- und VTT-Dateien brauchen Start und Ende für jede Untertitelzeile.
-   **Suche und Prüfung.** Ein Qualitätsprüfer kann zur Sekunde springen, in der eine Beschwerde beginnt, statt ein ganzes Gespräch anzuhören; siehe [Callcenter-Aufnahmen transkribieren](https://broadrouter.com/de/blog/transcribe-call-center-recordings/).
-   **Sprecherwechsel.** Ein Transkript mit der Ausgabe der [Diarisierung](https://broadrouter.com/de/glossary/diarization/) zusammenzuführen funktioniert über den Abgleich der Zeiten.
-   **Größe der Nutzdaten.** Ausgabe auf Wortebene ist viel länger als der reine Text, was zählt, wenn Sie sie anschließend als [Tokens](https://broadrouter.com/de/glossary/token/) in ein LLM geben.

## Bei BroadNet Inference

Die Dokumentation von BroadNet beschreibt keine Zeitstempel. `/v1/audio/transcriptions` liefert das Transkript als `{"text": "..."}`, und eine Option `timestamp_granularities` ist nicht aufgeführt. Die Metadaten von `/v1/models` bei BroadNet (geprüft am 2026-11-15) nennen `verbose_json` als Antwortformat, aber nichts sagt, dass es Segment- oder Wortzeiten enthält. Testen Sie es also, bevor Sie sich darauf verlassen. Für ein grobes Timing schneiden Sie das Audio selbst, zum Beispiel an Pausen, die eine [Voice Activity Detection](https://broadrouter.com/de/glossary/vad/) findet, oder in feste Segmente, und notieren den Start-Offset jedes Chunks. Der Text jedes Chunks übernimmt dann diesen Offset. Das ergibt ein Timing auf Satzebene, gut genug, um in einem Gespräch hin und her zu springen, aber keine bildgenauen Untertitel. Senden Sie bei jedem Chunk `language` an [BroadNet Transcribe Arabic](https://broadrouter.com/de/models/cohere-transcribe-arabic/) oder [BroadNet Transcribe](https://broadrouter.com/de/models/cohere-transcribe/). Ist Timing auf Wortebene eine harte Anforderung, setzen Sie einen Aligner oder ein Modell ein, das es dokumentiert.

## Häufige Fragen

### Was ist der Unterschied zwischen Wort- und Segment-Zeitstempeln?

Ein Segment-Zeitstempel gibt eine Start- und Endzeit für eine Wendung aus einem oder mehreren Wörtern an. Ein Wort-Zeitstempel gibt einen Zeitbereich für jedes Wort an, den Untertitel-Editoren und Suchwerkzeuge brauchen.

### Liefert die Transkriptions-API von BroadNet Zeitstempel?

Es sind keine Zeitstempel dokumentiert. Die Antwort ist nur {"text": ...}. Teilen Sie das Audio also in Chunks und merken Sie sich den Offset jedes Chunks, wenn Sie ein grobes Timing brauchen.

### Wie erstelle ich Untertitel ohne Wort-Zeitstempel?

Teilen Sie das Audio an Pausen in kurze Chunks, transkribieren Sie jeden und verwenden Sie Start- und End-Offset jedes Chunks als Untertitelzeit. Das ergibt ein Timing auf Phrasenebene, genug für viele Untertiteldateien, aber nicht bildgenau.

## Siehe auch

-   [Speech-to-Text (Spracherkennung)](https://broadrouter.com/de/glossary/speech-to-text/) (Begriff)
-   [Sprecherdiarisierung (Speaker Diarization)](https://broadrouter.com/de/glossary/diarization/) (Begriff)
-   [Sprachaktivitätserkennung (Voice Activity Detection, VAD)](https://broadrouter.com/de/glossary/vad/) (Begriff)
-   [Abtastrate (Sample Rate)](https://broadrouter.com/de/glossary/sample-rate/) (Begriff)
-   [SRT-Untertitel](https://broadrouter.com/de/glossary/srt-subtitles/) (Begriff)
-   [Speech-to-Text API für Arabisch: Schritt für Schritt](https://broadrouter.com/de/guides/arabic-speech-to-text-api/) (Anleitung)
-   [Callcenter-Aufzeichnungen transkribieren: Pipeline, auch für Arabisch](https://broadrouter.com/de/blog/transcribe-call-center-recordings/) (Artikel)
-   [Alternative zur Whisper API: wann wechseln und wie testen](https://broadrouter.com/de/blog/whisper-api-alternative/) (Artikel)
-   [Arabische Untertitel (SRT) per Speech-to-Text-API: was Sie brauchen](https://broadrouter.com/de/blog/arabic-subtitles-srt-api/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-timestamps-asr&utm_content=page-cta) ·

**Quellen**

-   [OpenAI, Leitfaden zu Speech-to-Text (timestamp\_granularities) (geprüft am 2026-11-16)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Hugging Face Transformers, Pipelines (ASR return\_timestamps) (geprüft am 2026-11-16)](https://huggingface.co/docs/transformers/main_classes/pipelines)
-   [API-Referenz von BroadNet Inference, Transkriptionsantwort (geprüft am 2026-11-16) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-timestamps-asr&utm_content=sources)
