BroadRouter

Zaman damgaları (konuşmadan metne)

Güncellendi

Konuşmadan metnede zaman damgaları, transkriptin parçalarına eklenen saniye cinsinden başlangıç ve bitiş zamanlarıdır. Segment zaman damgaları bir ifadeyi veya cümleyi, kelime zaman damgaları her kelimeyi kapsar. Altyazılar, kayıt içinde arama ve metni konuşmacılarla hizalamak için gereklidir.

Diğer adları: zaman damgası, kelime zaman damgası, kelime düzeyinde zaman damgası, segment zaman damgası, word timestamps, word-level timestamps, segment timestamps, timestamp_granularities, ASR timestamps

Transkript size ne söylendiğini söyler; zaman damgaları ise kaydın neresinde bulacağınızı.

Nasıl çalışır

Çoğu ASR sistemi iki düzey sunar:

  • Segment düzeyi. İfade başına bir zaman aralığı, örneğin {"text": " Hi there!", "timestamp": (0.5, 1.5)}.
  • Kelime düzeyi. Kelime başına bir zaman aralığı, örneğin hi için 0,5 ile 0,9 sn, there için 1,0 ile 1,5 sn.

Hugging Face’in ASR pipeline’ı ikisini de return_timestamps ile sunar: Whisper için True segmentleri, "word" kelimeleri verir; Wav2Vec2 gibi CTC modelleri "char" değerini de destekler. Sonuçlar, her biri text ve bir (start, end) demeti içeren chunks olarak döner. Belgeler, Whisper’ın kelime zamanlarının cross-attention ağırlıkları üzerinde dinamik zaman bükmesiyle (dynamic time warping) tahmin edildiğini, yani bir ölçüm değil yaklaşık bir değer olduğunu not eder.

Barındırılan API’ler aynı kalıbı izler. OpenAI’nin konuşmadan metne rehberi, response_format: "verbose_json" ile birlikte word veya segment değerli timestamp_granularities[] parametresini belgeler ve bunu yalnızca kullanımdan kaldırılmış whisper-1 modeli için belgeler; mevcut entegrasyonlar bu modeli 26 Şubat 2027’de kapanana kadar kullanabilir.

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"

Neden önemli

  • Altyazılar. SRT ve VTT dosyaları her altyazı satırı için bir başlangıç ve bitiş ister.
  • Arama ve inceleme. Bir kalite denetçisi, tüm görüşmeyi dinlemek yerine şikâyetin başladığı saniyeye atlayabilir; bkz. çağrı merkezi kayıtlarını yazıya dökme.
  • Konuşmacı geçişleri. Bir transkripti konuşmacı ayrımı çıktısıyla birleştirmek, zamanları eşleştirerek yapılır.
  • Yanıt boyutu. Kelime düzeyindeki çıktı düz metinden çok daha uzundur; bunu sonra bir LLM’e token olarak veriyorsanız bu önemlidir.

BroadNet Inference’ta

BroadNet’in belgeleri zaman damgalarını belgelemez. /v1/audio/transcriptions transkripti {"text": "..."} olarak döndürür ve listelenmiş bir timestamp_granularities seçeneği yoktur. BroadNet’in /v1/models meta verisi (kontrol tarihi 2026-11-15) yanıt formatı olarak verbose_json listeler, ancak bunun segment veya kelime zamanları taşıdığına dair bir bilgi yoktur; güvenmeden önce test edin. Kaba bir zamanlama için sesi kendiniz kesin, örneğin ses etkinliği algılama ile bulunan duraklamalardan veya sabit uzunlukta segmentlere, ve her parçanın başlangıç konumunu kaydedin. Her parçanın metni o konumu devralır. Bu, bir görüşmenin içinde gezinmek için yeterli olan cümle düzeyinde bir zamanlama verir; kare hassasiyetinde altyazı vermez. Her parçayla birlikte BroadNet Transcribe Arabic veya BroadNet Transcribe modeline language gönderin. Kelime düzeyinde zamanlama kesin bir gereksinimse bir hizalayıcı (aligner) veya bunu belgeleyen bir model çalıştırın.

Sık sorulan sorular

Kelime ve segment zaman damgası arasındaki fark nedir?

Segment zaman damgası, bir veya daha fazla kelimeden oluşan bir ifade için tek bir başlangıç ve bitiş zamanı verir. Kelime zaman damgası ise her kelime için bir zaman aralığı verir; altyazı editörleri ve arama araçları buna ihtiyaç duyar.

BroadNet'in transkripsiyon API'si zaman damgası döndürüyor mu?

Belgelenmiş bir zaman damgası yok. Yanıt yalnızca {"text": ...} içerir; kaba bir zamanlama gerekiyorsa sesi parçalara bölün ve her parçanın başlangıç konumunu kaydedin.

Kelime zaman damgası olmadan nasıl altyazı yaparım?

Sesi duraklamalardan kısa parçalara bölün, her birini yazıya dökün ve her parçanın başlangıç ve bitiş konumunu altyazı zamanı olarak kullanın. Bu, ifade düzeyinde zamanlama verir; birçok altyazı dosyası için yeterlidir ama kare hassasiyetinde değildir.

Markdown olarak okuChatGPT asistanına sorClaude asistanına sorPerplexity asistanına sor