BroadRouter

Horodatages (speech-to-text)

Mis à jour

En speech-to-text, les horodatages (timestamps) sont des heures de début et de fin, en secondes, attachées à des parties d’une transcription. Les horodatages de segment couvrent une phrase ou une expression ; les horodatages de mot couvrent chaque mot. Ils servent aux sous-titres, à la recherche dans les enregistrements et à l’alignement du texte avec les locuteurs.

Aussi appelé : horodatages, horodatage par mot, horodatages de segment, timestamps, word timestamps, word-level timestamps, segment timestamps, timestamp_granularities, ASR timestamps

Une transcription vous dit ce qui a été dit ; les horodatages vous disent où le trouver dans l’enregistrement.

Comment ça marche

La plupart des systèmes ASR proposent deux niveaux :

  • Niveau segment. Un intervalle par expression, par exemple {"text": " Hi there!", "timestamp": (0.5, 1.5)}.
  • Niveau mot. Un intervalle par mot, par exemple hi de 0,5 à 0,9 s et there de 1,0 à 1,5 s.

Le pipeline ASR de Hugging Face expose les deux via return_timestamps : True donne des segments pour Whisper, "word" donne des mots, et les modèles CTC comme Wav2Vec2 prennent aussi en charge "char". Les résultats reviennent sous forme de chunks, chacun avec un text et un tuple (start, end). La documentation précise que les temps par mot de Whisper sont estimés par dynamic time warping sur les poids de cross-attention : une approximation, pas une mesure.

Les API hébergées suivent le même schéma. Le guide speech-to-text d’OpenAI documente timestamp_granularities[] avec word ou segment, associé à response_format: "verbose_json", et ne le documente que pour le modèle déprécié whisper-1, que les intégrations existantes peuvent utiliser jusqu’à son arrêt le 26 février 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"

Pourquoi c’est important

  • Sous-titres. Les fichiers SRT et VTT exigent un début et une fin pour chaque ligne de sous-titre.
  • Recherche et contrôle. Un contrôleur qualité peut sauter à la seconde où commence une réclamation au lieu d’écouter tout l’appel ; voir transcrire des enregistrements de centre d’appels.
  • Tours de parole. Fusionner une transcription avec la sortie de la diarisation se fait en faisant correspondre les temps.
  • Taille de la charge utile. Une sortie au niveau du mot est bien plus longue que le texte brut, ce qui compte si vous la passez ensuite à un LLM sous forme de tokens.

Sur BroadNet Inference

La documentation de BroadNet ne mentionne pas d’horodatages. /v1/audio/transcriptions renvoie la transcription sous la forme {"text": "..."}, et aucune option timestamp_granularities n’est listée. Les métadonnées /v1/models de BroadNet (vérifiées le 2026-11-15) listent verbose_json comme format de réponse, mais rien n’indique qu’il contienne des temps par segment ou par mot : testez-le avant de vous y fier. Pour un timing grossier, découpez l’audio vous-même, par exemple aux pauses repérées par la détection d’activité vocale ou en segments fixes, et notez le décalage de début de chaque segment. Le texte de chaque segment hérite alors de ce décalage. Vous obtenez un timing au niveau de la phrase, suffisant pour naviguer dans un appel, mais pas des sous-titres précis à l’image. Envoyez language avec chaque segment à BroadNet Transcribe Arabic ou BroadNet Transcribe. Si un timing au niveau du mot est indispensable, utilisez un aligneur ou un modèle qui le documente.

Questions fréquentes

Quelle différence entre horodatages par mot et par segment ?

Un horodatage de segment donne une heure de début et de fin pour une expression d’un ou plusieurs mots. Un horodatage de mot donne un intervalle pour chaque mot, ce dont ont besoin les éditeurs de sous-titres et les outils de recherche.

L’API de transcription de BroadNet renvoie-t-elle des horodatages ?

Aucun horodatage n’est documenté. La réponse se limite à {"text": ...} : découpez donc l’audio en segments et notez le décalage de chacun si vous avez besoin d’un timing approximatif.

Comment créer des sous-titres sans horodatages par mot ?

Découpez l’audio en segments courts aux pauses, transcrivez chacun et utilisez ses décalages de début et de fin comme temps du sous-titre. Vous obtenez un timing au niveau de la phrase, suffisant pour de nombreux fichiers de sous-titres mais pas précis à l’image.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity