BroadRouter

Marcas de tiempo en voz a texto (timestamps)

Actualizado

Las marcas de tiempo en voz a texto son tiempos de inicio y fin, en segundos, asociados a partes de una transcripción. Las de segmento cubren una frase u oración; las de palabra cubren cada palabra. Se necesitan para subtítulos, para buscar dentro de grabaciones y para alinear el texto con los hablantes.

También llamado: marcas de tiempo, timestamps, marcas de tiempo por palabra, marcas de tiempo por segmento, word timestamps, word-level timestamps, segment timestamps, timestamp_granularities, ASR timestamps

Una transcripción le dice qué se dijo; las marcas de tiempo le dicen en qué punto de la grabación encontrarlo.

Cómo funciona

La mayoría de los sistemas ASR ofrecen dos niveles:

  • Nivel de segmento. Un rango de tiempo por frase, por ejemplo {"text": " Hi there!", "timestamp": (0.5, 1.5)}.
  • Nivel de palabra. Un rango de tiempo por palabra, por ejemplo hi de 0.5 a 0.9 s y there de 1.0 a 1.5 s.

El pipeline de ASR de Hugging Face ofrece ambos mediante return_timestamps: True da segmentos en Whisper, "word" da palabras, y los modelos CTC como Wav2Vec2 también admiten "char". Los resultados llegan como chunks, cada uno con text y una tupla (start, end). La documentación señala que los tiempos por palabra de Whisper se estiman con dynamic time warping sobre los pesos de atención cruzada, una aproximación y no una medición.

Las APIs alojadas siguen el mismo patrón. La guía de voz a texto de OpenAI documenta timestamp_granularities[] con word o segment, junto con response_format: "verbose_json", y lo documenta solo para el modelo obsoleto whisper-1, que las integraciones existentes pueden usar hasta su apagado el 26 de febrero 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 qué importa

  • Subtítulos. Los archivos SRT y VTT necesitan un inicio y un fin por línea de subtítulo.
  • Búsqueda y revisión. Un revisor de calidad puede saltar al segundo en que empieza una queja en lugar de escuchar toda la llamada; vea transcribir grabaciones de call center.
  • Turnos de hablante. Combinar una transcripción con la salida de diarización funciona emparejando tiempos.
  • Tamaño de la respuesta. La salida a nivel de palabra es mucho más larga que el texto plano, lo que importa si luego la pasa a un LLM como tokens.

En BroadNet Inference

La documentación de BroadNet no documenta marcas de tiempo. /v1/audio/transcriptions devuelve la transcripción como {"text": "..."}, y no se lista ninguna opción timestamp_granularities. Los metadatos de /v1/models de BroadNet (consultados el 2026-11-15) incluyen verbose_json como formato de respuesta, pero nada indica que contenga tiempos de segmento o de palabra, así que pruébelo antes de depender de él. Para tiempos aproximados, corte el audio usted mismo, por ejemplo en las pausas detectadas con detección de actividad de voz o en segmentos fijos, y registre el desplazamiento de inicio de cada fragmento. El texto de cada fragmento hereda ese desplazamiento. Así obtiene tiempos a nivel de oración, suficientes para moverse por una llamada, pero no subtítulos exactos al fotograma. Envíe language con cada fragmento a BroadNet Transcribe Arabic o BroadNet Transcribe. Si los tiempos por palabra son un requisito indispensable, use un alineador o un modelo que los documente.

Preguntas frecuentes

¿Cuál es la diferencia entre marcas de tiempo por palabra y por segmento?

Una marca de tiempo de segmento da un único inicio y fin para una frase de una o más palabras. Una marca de tiempo de palabra da un rango de tiempo para cada palabra, que es lo que necesitan los editores de subtítulos y las herramientas de búsqueda.

¿La API de transcripción de BroadNet devuelve marcas de tiempo?

No hay marcas de tiempo documentadas. La respuesta es solo {"text": ...}, así que divida el audio en fragmentos y registre el desplazamiento de cada uno si necesita tiempos aproximados.

¿Cómo hago subtítulos sin marcas de tiempo por palabra?

Divida el audio en fragmentos cortos en las pausas, transcriba cada uno y use el desplazamiento de inicio y fin de cada fragmento como tiempo del subtítulo. Eso da tiempos a nivel de frase, suficientes para muchos archivos de subtítulos, pero no exactos al fotograma.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity