---
title: "Apakah cap masa perkataan dan segmen dalam speech-to-text?"
description: "Cap masa ASR memberitahu bila setiap perkataan atau segmen disebut. Cap masa perkataan berbanding segmen, cara API memulangkannya, dan jika API beri teks sahaja."
url: https://broadrouter.com/ms/glossary/timestamps-asr/
lang: ms
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/glossary/timestamps-asr/) (dikemas kini 2026-11-16).

# Cap masa (timestamps) dalam speech-to-text

Dikemas kini 2026-11-16

Cap masa dalam speech-to-text ialah masa mula dan tamat, dalam saat, yang dilampirkan pada bahagian transkrip. Cap masa segmen meliputi satu frasa atau ayat; cap masa perkataan meliputi setiap perkataan. Ia diperlukan untuk sari kata, carian dalam rakaman dan menyelaraskan teks dengan penutur.

Juga dikenali sebagai: cap masa perkataan, cap masa transkrip, word timestamps, word-level timestamps, segment timestamps, timestamp\_granularities, ASR timestamps

Transkrip memberitahu apa yang disebut; cap masa memberitahu di mana dalam rakaman untuk menemuinya.

## Cara ia berfungsi

Kebanyakan sistem ASR menawarkan dua peringkat:

-   **Peringkat segmen.** Satu julat masa bagi setiap frasa, contohnya `{"text": " Hi there!", "timestamp": (0.5, 1.5)}`.
-   **Peringkat perkataan.** Satu julat masa bagi setiap perkataan, contohnya `hi` pada 0.5 hingga 0.9 s dan `there` pada 1.0 hingga 1.5 s.

Saluran paip ASR Hugging Face mendedahkan kedua-duanya melalui `return_timestamps`: `True` memberikan segmen untuk Whisper, `"word"` memberikan perkataan, dan model CTC seperti Wav2Vec2 juga menyokong `"char"`. Hasilnya kembali sebagai `chunks`, setiap satu dengan `text` dan tuple `(start, end)`. Dokumentasinya menyatakan masa perkataan Whisper dianggarkan dengan dynamic time warping ke atas pemberat cross-attention, iaitu anggaran dan bukan ukuran.

API yang dihoskan mengikut corak yang sama. Panduan speech-to-text OpenAI mendokumenkan `timestamp_granularities[]` dengan `word` atau `segment`, dipasangkan dengan `response_format: "verbose_json"`, dan mendokumenkannya hanya untuk model `whisper-1` yang telah deprecated, yang boleh digunakan oleh integrasi sedia ada sehingga ia ditutup pada 26 Februari 2027.

```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"
```

## Mengapa ia penting

-   **Sari kata.** Fail SRT dan VTT memerlukan masa mula dan tamat bagi setiap baris kapsyen.
-   **Carian dan semakan.** Penyemak kualiti boleh melompat ke saat aduan bermula dan bukannya mendengar keseluruhan panggilan; lihat [mentranskripsi rakaman pusat panggilan](https://broadrouter.com/ms/blog/transcribe-call-center-recordings/).
-   **Giliran penutur.** Menggabungkan transkrip dengan output [diarisasi](https://broadrouter.com/ms/glossary/diarization/) dilakukan dengan memadankan masa.
-   **Saiz muatan.** Output peringkat perkataan jauh lebih panjang daripada teks biasa, yang penting jika anda kemudian menyalurkannya ke LLM sebagai [token](https://broadrouter.com/ms/glossary/token/).

## Di BroadNet Inference

Dokumentasi BroadNet tidak mendokumenkan cap masa. `/v1/audio/transcriptions` memulangkan transkrip sebagai `{"text": "..."}`, dan tiada pilihan `timestamp_granularities` yang disenaraikan. Metadata `/v1/models` BroadNet (disemak 2026-11-15) menyenaraikan `verbose_json` sebagai format respons, tetapi tiada yang menyatakan ia membawa masa segmen atau perkataan, jadi ujinya sebelum bergantung padanya. Untuk masa kasar, potong audio sendiri, contohnya pada jeda yang dikesan dengan [pengesanan aktiviti suara](https://broadrouter.com/ms/glossary/vad/) atau kepada segmen tetap, dan rekodkan ofset mula setiap ketulan. Teks setiap ketulan kemudian mewarisi ofset itu. Ini memberikan masa peringkat ayat yang cukup untuk melompat-lompat dalam panggilan, bukan sari kata yang tepat hingga ke bingkai. Hantar `language` bersama setiap ketulan ke [BroadNet Transcribe Arabic](https://broadrouter.com/ms/models/cohere-transcribe-arabic/) atau [BroadNet Transcribe](https://broadrouter.com/ms/models/cohere-transcribe/). Jika masa peringkat perkataan ialah keperluan mutlak, jalankan penjajar (aligner) atau model yang mendokumenkannya.

## Soalan lazim

### Apakah perbezaan antara cap masa perkataan dan cap masa segmen?

Cap masa segmen memberikan satu masa mula dan tamat bagi frasa yang mengandungi satu atau lebih perkataan. Cap masa perkataan memberikan julat masa bagi setiap perkataan, yang diperlukan oleh penyunting sari kata dan alat carian.

### Adakah API transkripsi BroadNet memulangkan cap masa?

Tiada cap masa yang didokumenkan. Responsnya hanya {"text": ...}, jadi pecahkan audio kepada ketulan dan jejaki ofset setiap ketulan jika anda memerlukan masa kasar.

### Bagaimana membuat sari kata tanpa cap masa perkataan?

Pecahkan audio kepada ketulan pendek pada jeda, transkripsikan setiap satu, dan gunakan ofset mula dan tamat setiap ketulan sebagai masa kapsyen. Ini memberikan masa peringkat frasa, cukup untuk banyak fail sari kata tetapi tidak tepat hingga ke bingkai.

## Lihat juga

-   [Speech-to-text (pertuturan kepada teks)](https://broadrouter.com/ms/glossary/speech-to-text/) (istilah)
-   [Diarisasi penutur (speaker diarization)](https://broadrouter.com/ms/glossary/diarization/) (istilah)
-   [Pengesanan aktiviti suara (VAD)](https://broadrouter.com/ms/glossary/vad/) (istilah)
-   [Kadar sampel (sample rate)](https://broadrouter.com/ms/glossary/sample-rate/) (istilah)
-   [Sari kata SRT (SRT subtitles)](https://broadrouter.com/ms/glossary/srt-subtitles/) (istilah)
-   [API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/) (panduan)
-   [Cara mentranskripsi rakaman pusat panggilan: saluran sedia bahasa Arab](https://broadrouter.com/ms/blog/transcribe-call-center-recordings/) (artikel)
-   [Alternatif API Whisper: bila perlu bertukar, dan cara mengujinya](https://broadrouter.com/ms/blog/whisper-api-alternative/) (artikel)
-   [Sari kata bahasa Arab (SRT) daripada API speech-to-text: keperluannya](https://broadrouter.com/ms/blog/arabic-subtitles-srt-api/) (artikel)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [OpenAI, panduan speech to text (timestamp\_granularities) (disemak 2026-11-16)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Hugging Face Transformers, pipelines (ASR return\_timestamps) (disemak 2026-11-16)](https://huggingface.co/docs/transformers/main_classes/pipelines)
-   [Rujukan API BroadNet Inference, respons transkripsi (disemak 2026-11-16) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-glossary-timestamps-asr&utm_content=sources)
