---
title: "Timestamp theo từ và theo đoạn trong speech-to-text là gì?"
description: "Timestamp ASR cho biết từng từ hay từng đoạn được nói lúc nào. Khác biệt giữa timestamp theo từ và theo đoạn, cách API trả về, và cách xử lý khi API chỉ trả văn bản."
url: https://broadrouter.com/vi/glossary/timestamps-asr/
lang: vi
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/timestamps-asr/) (cập nhật ngày 2026-11-16).

# Timestamp trong speech-to-text (dấu thời gian ASR)

Cập nhật 2026-11-16

Timestamp trong speech-to-text là thời điểm bắt đầu và kết thúc, tính bằng giây, gắn với từng phần của bản phiên âm. Timestamp theo đoạn bao một cụm từ hoặc câu; timestamp theo từ gắn với từng từ. Chúng cần cho phụ đề, tìm kiếm trong bản ghi âm và căn văn bản theo người nói.

Còn gọi là: timestamp là gì, dấu thời gian, timestamp theo từ, timestamp theo đoạn, mốc thời gian phiên âm, word timestamps, word-level timestamps, segment timestamps, timestamp\_granularities, ASR timestamps

Bản phiên âm cho bạn biết người ta đã nói gì; timestamp cho bạn biết tìm câu đó ở đâu trong bản ghi âm.

## Cách hoạt động

Hầu hết hệ thống ASR có hai mức:

-   **Mức đoạn.** Mỗi cụm từ một khoảng thời gian, ví dụ `{"text": " Hi there!", "timestamp": (0.5, 1.5)}`.
-   **Mức từ.** Mỗi từ một khoảng thời gian, ví dụ `hi` từ 0,5 đến 0,9 giây và `there` từ 1,0 đến 1,5 giây.

Pipeline ASR của Hugging Face cung cấp cả hai qua `return_timestamps`: `True` cho đoạn với Whisper, `"word"` cho từ, và các model CTC như Wav2Vec2 còn hỗ trợ `"char"`. Kết quả trả về dưới dạng `chunks`, mỗi phần có `text` và một tuple `(start, end)`. Tài liệu lưu ý thời gian theo từ của Whisper được ước lượng bằng dynamic time warping trên trọng số cross-attention, tức là xấp xỉ chứ không phải đo đạc.

Các API hosted theo cùng mô hình. Hướng dẫn speech-to-text của OpenAI mô tả `timestamp_granularities[]` với `word` hoặc `segment`, đi kèm `response_format: "verbose_json"`, và chỉ mô tả tính năng này cho model `whisper-1` đã deprecated, model mà các tích hợp hiện có vẫn dùng được cho tới khi nó ngừng hoạt động vào ngày 26 tháng 2 năm 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"
```

## Vì sao quan trọng

-   **Phụ đề.** File SRT và VTT cần thời điểm bắt đầu và kết thúc cho mỗi dòng phụ đề.
-   **Tìm kiếm và rà soát.** Người kiểm tra chất lượng có thể nhảy tới đúng giây khách hàng bắt đầu phàn nàn thay vì nghe cả cuộc gọi; xem [phiên âm bản ghi tổng đài](https://broadrouter.com/vi/blog/transcribe-call-center-recordings/).
-   **Lượt nói.** Ghép bản phiên âm với output [speaker diarization](https://broadrouter.com/vi/glossary/diarization/) được thực hiện bằng cách khớp thời gian.
-   **Kích thước payload.** Output mức từ dài hơn nhiều so với văn bản thuần, điều này quan trọng nếu sau đó bạn đưa nó vào LLM dưới dạng [token](https://broadrouter.com/vi/glossary/token/).

## Trên BroadNet Inference

Tài liệu của BroadNet không mô tả timestamp. `/v1/audio/transcriptions` trả bản phiên âm dưới dạng `{"text": "..."}`, và không có tùy chọn `timestamp_granularities` nào được liệt kê. Metadata `/v1/models` của BroadNet (kiểm tra ngày 2026-11-15) có liệt kê `verbose_json` là một định dạng response, nhưng không nói nó chứa thời gian theo đoạn hay theo từ, nên hãy thử trước khi dựa vào nó. Để có thời gian tương đối, hãy tự cắt audio, ví dụ tại các khoảng lặng tìm bằng [phát hiện giọng nói (VAD)](https://broadrouter.com/vi/glossary/vad/) hoặc thành các đoạn cố định, và ghi lại offset bắt đầu của từng đoạn. Văn bản của mỗi đoạn khi đó kế thừa offset này. Cách này cho thời gian theo câu, đủ để nhảy qua lại trong một cuộc gọi, nhưng không đủ cho phụ đề chính xác tới từng khung hình. Gửi `language` kèm mỗi đoạn tới [BroadNet Transcribe Arabic](https://broadrouter.com/vi/models/cohere-transcribe-arabic/) hoặc [BroadNet Transcribe](https://broadrouter.com/vi/models/cohere-transcribe/). Nếu thời gian theo từ là yêu cầu bắt buộc, hãy chạy một aligner hoặc dùng model có tài liệu về tính năng này.

## Câu hỏi thường gặp

### Timestamp theo từ và timestamp theo đoạn khác nhau thế nào?

Timestamp theo đoạn cho một thời điểm bắt đầu và kết thúc cho một cụm gồm một hoặc nhiều từ. Timestamp theo từ cho một khoảng thời gian với từng từ, thứ mà trình biên tập phụ đề và công cụ tìm kiếm cần.

### API phiên âm của BroadNet có trả timestamp không?

Tài liệu không mô tả timestamp nào. Response chỉ có {"text": ...}, nên nếu cần thời gian tương đối, hãy chia audio thành các đoạn và ghi lại offset của từng đoạn.

### Làm phụ đề thế nào khi không có timestamp theo từ?

Chia audio thành các đoạn ngắn tại chỗ ngắt nghỉ, phiên âm từng đoạn, rồi dùng offset bắt đầu và kết thúc của mỗi đoạn làm thời gian phụ đề. Cách này cho thời gian theo cụm từ, đủ cho nhiều file phụ đề nhưng không chính xác tới từng khung hình.

## Xem thêm

-   [Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/) (thuật ngữ)
-   [Speaker diarization (phân tách người nói)](https://broadrouter.com/vi/glossary/diarization/) (thuật ngữ)
-   [VAD (phát hiện giọng nói)](https://broadrouter.com/vi/glossary/vad/) (thuật ngữ)
-   [Tần số lấy mẫu (sample rate)](https://broadrouter.com/vi/glossary/sample-rate/) (thuật ngữ)
-   [Phụ đề SRT (SRT subtitles)](https://broadrouter.com/vi/glossary/srt-subtitles/) (thuật ngữ)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/) (hướng dẫn)
-   [Chép lời ghi âm tổng đài: pipeline sẵn sàng cho tiếng Ả Rập](https://broadrouter.com/vi/blog/transcribe-call-center-recordings/) (bài viết)
-   [Thay thế Whisper API: khi nào nên chuyển và cách test](https://broadrouter.com/vi/blog/whisper-api-alternative/) (bài viết)
-   [Phụ đề tiếng Ả Rập (SRT) từ API chuyển giọng nói: cần những gì](https://broadrouter.com/vi/blog/arabic-subtitles-srt-api/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [OpenAI, hướng dẫn speech to text (timestamp\_granularities) (kiểm tra ngày 2026-11-16)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Hugging Face Transformers, pipelines (ASR return\_timestamps) (kiểm tra ngày 2026-11-16)](https://huggingface.co/docs/transformers/main_classes/pipelines)
-   [Tài liệu tham khảo API BroadNet Inference, response phiên âm (kiểm tra ngày 2026-11-16) (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-timestamps-asr&utm_content=sources)
