Una trascrizione ti dice cosa è stato detto; i timestamp ti dicono dove trovarlo nella registrazione.
Come funziona
La maggior parte dei sistemi ASR offre due livelli:
- Livello di segmento. Un intervallo di tempo per frase, per esempio
{"text": " Hi there!", "timestamp": (0.5, 1.5)}. - Livello di parola. Un intervallo di tempo per parola, per esempio
hida 0,5 a 0,9 s ethereda 1,0 a 1,5 s.
La pipeline ASR di Hugging Face espone entrambi tramite return_timestamps: True dà i segmenti per Whisper, "word" dà le parole, e i modelli CTC come Wav2Vec2 supportano anche "char". I risultati tornano come chunks, ciascuno con text e una tupla (start, end). La documentazione osserva che i tempi per parola di Whisper sono stimati con dynamic time warping sui pesi di cross-attention: un’approssimazione, non una misura.
Le API in hosting seguono lo stesso schema. La guida allo speech-to-text di OpenAI documenta timestamp_granularities[] con word o segment, insieme a response_format: "verbose_json", e lo documenta solo per il modello deprecato whisper-1, che le integrazioni esistenti possono usare fino alla sua dismissione il 26 febbraio 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"
Perché è importante
- Sottotitoli. I file SRT e VTT richiedono un inizio e una fine per ogni riga di sottotitolo.
- Ricerca e revisione. Chi controlla la qualità può saltare al secondo in cui inizia un reclamo invece di ascoltare tutta la chiamata; vedi trascrivere le registrazioni del call center.
- Turni dei parlanti. Unire una trascrizione con l’output della diarizzazione funziona facendo combaciare i tempi.
- Dimensione del payload. L’output a livello di parola è molto più lungo del testo semplice, il che conta se poi lo passi a un LLM sotto forma di token.
Su BroadNet Inference
La documentazione di BroadNet non documenta timestamp. /v1/audio/transcriptions restituisce la trascrizione come {"text": "..."}, e non è elencata alcuna opzione timestamp_granularities. I metadati di /v1/models di BroadNet (verificati il 2026-11-15) elencano verbose_json come formato di risposta, ma niente dice che contenga tempi di segmento o di parola, quindi provalo prima di farci affidamento. Per una tempistica approssimativa, taglia tu l’audio, per esempio nelle pause trovate con la voice activity detection o in segmenti fissi, e registra l’offset di inizio di ogni pezzo. Il testo di ogni pezzo eredita quell’offset. Ottieni una tempistica a livello di frase, sufficiente per muoverti dentro una chiamata, non sottotitoli precisi al fotogramma. Invia language con ogni pezzo a BroadNet Transcribe Arabic o BroadNet Transcribe. Se la tempistica per parola è un requisito irrinunciabile, usa un aligner o un modello che la documenta.