---
title: "O que são timestamps por palavra e segmento na transcrição?"
description: "Timestamps de ASR mostram quando cada palavra ou segmento foi dito. Por palavra ou por segmento, como as APIs os devolvem e o que fazer só com texto."
url: https://broadrouter.com/pt/glossary/timestamps-asr/
lang: pt-BR
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/timestamps-asr/) (atualizado em 2026-11-16).

# Timestamps (speech-to-text)

Atualizado em 2026-11-16

Timestamps em speech-to-text são tempos de início e fim, em segundos, associados a partes de uma transcrição. Timestamps de segmento cobrem uma frase ou trecho; timestamps por palavra cobrem cada palavra. Eles são necessários para legendas, busca dentro de gravações e alinhamento do texto com os locutores.

Também chamado de: timestamps por palavra, timestamps de segmento, marcação de tempo, carimbo de tempo, word timestamps, word-level timestamps, segment timestamps, timestamp\_granularities, ASR timestamps

Uma transcrição diz o que foi falado; os timestamps dizem onde encontrar isso na gravação.

## Como funciona

A maioria dos sistemas de ASR oferece dois níveis:

-   **Nível de segmento.** Um intervalo de tempo por frase, por exemplo `{"text": " Hi there!", "timestamp": (0.5, 1.5)}`.
-   **Nível de palavra.** Um intervalo de tempo por palavra, por exemplo `hi` de 0,5 a 0,9 s e `there` de 1,0 a 1,5 s.

O pipeline de ASR da Hugging Face expõe os dois por meio de `return_timestamps`: `True` dá segmentos no Whisper, `"word"` dá palavras, e modelos CTC como o Wav2Vec2 também aceitam `"char"`. Os resultados voltam como `chunks`, cada um com `text` e uma tupla `(start, end)`. A documentação observa que os tempos por palavra do Whisper são estimados com dynamic time warping sobre os pesos de cross-attention, uma aproximação e não uma medição.

As APIs hospedadas seguem o mesmo padrão. O guia de speech-to-text da OpenAI documenta `timestamp_granularities[]` com `word` ou `segment`, junto com `response_format: "verbose_json"`, e só documenta isso para o modelo descontinuado `whisper-1`, que as integrações existentes podem usar até o desligamento, em 26 de fevereiro de 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"
```

## Por que isso importa

-   **Legendas.** Arquivos SRT e VTT precisam de início e fim para cada linha de legenda.
-   **Busca e revisão.** Quem revisa a qualidade pode pular para o segundo em que uma reclamação começa, em vez de ouvir a ligação inteira; veja [como transcrever gravações de call center](https://broadrouter.com/pt/blog/transcribe-call-center-recordings/).
-   **Turnos de fala.** Juntar uma transcrição com a saída da [diarização](https://broadrouter.com/pt/glossary/diarization/) funciona casando os tempos.
-   **Tamanho do payload.** A saída por palavra é bem mais longa que o texto puro, o que importa se você depois a envia a um LLM como [tokens](https://broadrouter.com/pt/glossary/token/).

## Na BroadNet Inference

A documentação da BroadNet não documenta timestamps. `/v1/audio/transcriptions` devolve a transcrição como `{"text": "..."}`, e nenhuma opção `timestamp_granularities` aparece na lista. Os metadados de `/v1/models` da BroadNet (conferidos em 2026-11-15) listam `verbose_json` como formato de resposta, mas nada diz que ele traga tempos de segmento ou de palavra, então teste antes de depender disso. Para tempos aproximados, corte o áudio você mesmo, por exemplo nas pausas encontradas com [detecção de atividade de voz](https://broadrouter.com/pt/glossary/vad/) ou em segmentos fixos, e registre o offset de início de cada trecho. O texto de cada trecho herda esse offset. Isso dá tempos no nível da frase, bons o bastante para navegar por uma ligação, mas não legendas com precisão de quadro. Envie `language` em cada trecho para o [BroadNet Transcribe Arabic](https://broadrouter.com/pt/models/cohere-transcribe-arabic/) ou o [BroadNet Transcribe](https://broadrouter.com/pt/models/cohere-transcribe/). Se tempos por palavra forem um requisito obrigatório, use um alinhador ou um modelo que documente esse recurso.

## Perguntas frequentes

### Qual a diferença entre timestamps por palavra e por segmento?

Um timestamp de segmento dá um único início e fim para uma frase de uma ou mais palavras. Um timestamp por palavra dá um intervalo de tempo para cada palavra, que é o que editores de legenda e ferramentas de busca precisam.

### A API de transcrição da BroadNet devolve timestamps?

Nenhum timestamp está documentado. A resposta é só {"text": ...}, então divida o áudio em trechos e acompanhe o offset de cada um se precisar de tempos aproximados.

### Como faço legendas sem timestamps por palavra?

Divida o áudio em trechos curtos nas pausas, transcreva cada um e use o offset de início e fim de cada trecho como tempo da legenda. Isso dá tempos no nível da frase, suficientes para muitos arquivos de legenda, mas sem precisão de quadro.

## Veja também

-   [Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/) (termo)
-   [Diarização de locutores (speaker diarization)](https://broadrouter.com/pt/glossary/diarization/) (termo)
-   [Voice activity detection (VAD)](https://broadrouter.com/pt/glossary/vad/) (termo)
-   [Taxa de amostragem (sample rate)](https://broadrouter.com/pt/glossary/sample-rate/) (termo)
-   [Legendas SRT (arquivo .srt)](https://broadrouter.com/pt/glossary/srt-subtitles/) (termo)
-   [API de transcrição de áudio em árabe, passo a passo](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/) (guia)
-   [Como transcrever gravações de call center: pipeline pronto para árabe](https://broadrouter.com/pt/blog/transcribe-call-center-recordings/) (artigo)
-   [Alternativa à API do Whisper: quando trocar e como testar](https://broadrouter.com/pt/blog/whisper-api-alternative/) (artigo)
-   [Legendas em árabe (SRT) com uma API de fala para texto: o que precisa](https://broadrouter.com/pt/blog/arabic-subtitles-srt-api/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

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

**Fontes**

-   [OpenAI, guia de speech-to-text (timestamp\_granularities) (verificado em 2026-11-16)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Hugging Face Transformers, pipelines (return\_timestamps em ASR) (verificado em 2026-11-16)](https://huggingface.co/docs/transformers/main_classes/pipelines)
-   [Referência da API da BroadNet Inference, resposta de transcrição (verificado em 2026-11-16) (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-timestamps-asr&utm_content=sources)
