BroadRouter

Timestamp (speech-to-text)

Aggiornato

I timestamp nello speech-to-text sono tempi di inizio e fine, in secondi, associati a parti di una trascrizione. I timestamp di segmento coprono una frase o un periodo; quelli per parola coprono ogni parola. Servono per sottotitoli, ricerca dentro le registrazioni e allineamento del testo con i parlanti.

Detto anche: timestamp per parola, timestamp a livello di parola, timestamp di segmento, marcature temporali, word timestamps, word-level timestamps, segment timestamps, timestamp_granularities, ASR timestamps

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 hi da 0,5 a 0,9 s e there da 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.

Domande frequenti

Che differenza c’è tra timestamp per parola e per segmento?

Un timestamp di segmento dà un solo tempo di inizio e fine per una frase di una o più parole. Un timestamp per parola dà un intervallo di tempo per ogni parola, ed è ciò che serve a editor di sottotitoli e strumenti di ricerca.

L’API di trascrizione di BroadNet restituisce i timestamp?

Non sono documentati timestamp. La risposta è solo {"text": ...}, quindi se ti serve una tempistica approssimativa dividi l’audio in pezzi e tieni traccia dell’offset di ciascuno.

Come creo sottotitoli senza timestamp per parola?

Dividi l’audio in pezzi brevi nelle pause, trascrivi ciascuno e usa l’offset di inizio e fine di ogni pezzo come tempo del sottotitolo. Ottieni una tempistica a livello di frase, sufficiente per molti file di sottotitoli ma non precisa al fotogramma.

Leggi in MarkdownChiedi a ChatGPTChiedi a ClaudeChiedi a Perplexity