Timestamp nella trascrizione: per parola o per segmento, e quando serve ciascuno

I timestamp di una trascrizione collegano il testo al momento esatto in cui è stato pronunciato, e possono avere due risoluzioni. I timestamp per segmento assegnano a ogni frase un solo orario di inizio e di fine: è quello che serve per sottotitoli, trascrizioni da rileggere ed elenchi di capitoli. I timestamp per parola danno a ciascuna parola il proprio inizio e la propria fine, e contano solo quando un software deve agire sulle singole parole: sottotitoli in stile karaoke, montaggio tramite testo, tagli precisi delle clip o analisi del parlato.

Se non stai costruendo una di queste funzioni, la temporizzazione per segmento è la scelta giusta di partenza. Nel resto della guida vediamo com'è fatto ciascun tipo, come inserire i timestamp in una trascrizione a mano o in automatico, come strumenti come Whisper calcolano i tempi delle parole e quali formati di file possono contenerli.

Che cosa significa un timestamp nella trascrizione?

Inserire i timestamp significa aggiungere codici temporali alla trascrizione, così che chi legge possa passare da una riga di testo allo stesso punto della registrazione. Un timestamp si scrive di solito in ore, minuti e secondi, per esempio [00:14:32], mentre i file di sottotitoli aggiungono i millisecondi: 00:14:32.480.

I timestamp hanno tre funzioni. Permettono di verificare una citazione sull'audio, di citare o linkare un momento preciso (un capitolo, una voce delle show notes, un estratto di ricerca) e di sincronizzare testo e suono in un player o in un editor. È la funzione che ti serve a decidere quanto devono essere fitti.

Quali tipi di timestamp esistono in una trascrizione?

Quattro convenzioni coprono quasi tutte le trascrizioni che incontrerai. Le prime due sono tipiche delle trascrizioni fatte a mano; le ultime due nascono dai software.

Le trascrizioni per la ricerca spesso combinano i primi due: un timestamp a ogni cambio di turno più uno a ogni minuto nei monologhi lunghi. La pagina resta leggibile e chi codifica trova qualsiasi passaggio in pochi secondi.

Timestamp per parola e per segmento: come si presentano

Ecco una frase con risoluzione per segmento, nella forma che usano tutti gli editor di sottotitoli:

00:01:22.400 --> 00:01:25.900
The results surprised everyone on the team.

Ed ecco lo stesso audio con risoluzione per parola, come lo salva una tipica trascrizione JSON (accorciata):

[
  {"word": "The",       "start": 82.40, "end": 82.58},
  {"word": "results",   "start": 82.61, "end": 82.98},
  {"word": "surprised", "start": 83.05, "end": 83.47},
  {"word": "everyone",  "start": 83.52, "end": 83.86},
  ...
]

La versione per segmento è una riga che una persona può leggere. Quella per parola sono sette record su cui un programma può lavorare. Entrambe descrivono gli stessi 3,5 secondi: cambia la risoluzione, non l'attendibilità.

Quando bastano i timestamp per segmento?

Per la maggior parte dei contenuti che qualcuno legge o guarda, il segmento è la granularità corretta.

• Sottotitoli e closed caption. Un cue è un segmento: una frase che resta sullo schermo abbastanza a lungo da poter essere letta. La guida di stile di Netflix, per esempio, fissa un minimo di cinque sesti di secondo e un massimo di sette secondi per ogni evento di sottotitolo (Netflix Timed Text Style Guide). Con questi limiti, la temporizzazione per parola non aggiunge nulla al cue. Il vero mestiere sono gli a capo e la velocità di lettura, di cui parliamo nella nostra guida sulla lunghezza delle righe dei sottotitoli.

• Revisione e citazioni. Controllare una citazione in un'intervista o una decisione in un verbale di riunione vuol dire cliccare una frase e ascoltarla. La risoluzione per frase basta e avanza.

• Capitoli e show notes. I capitoli di YouTube richiedono nella descrizione un elenco che parta da 00:00, con almeno tre timestamp in ordine crescente e capitoli di almeno 10 secondi (Guida di YouTube). Nessuno ha bisogno dei millisecondi per parola per farlo.

• Ricerca dentro una registrazione. Una ricerca che porta al segmento giusto ti mette a pochi secondi dal termine cercato; al resto pensano le orecchie.

Quando servono i timestamp per parola?

La temporizzazione per parola si guadagna il posto quando una funzione, letteralmente, non può farne a meno.

• Sottotitoli parola per parola. Lo stile diffuso su TikTok, Reels e Shorts, in cui ogni parola compare o cambia colore mentre viene pronunciata, deve sapere quando inizia ciascuna parola.

• Trascrizioni da seguire durante l'ascolto. I player di podcast e lezioni che evidenziano la parola corrente mentre scorre l'audio si basano sui tempi delle parole.

• Montaggio tramite testo. Cancellare una frase nella trascrizione e vedere l'audio tagliato nello stesso punto dipende dall'allineamento tra parole e audio.

• Tagli precisi delle clip. Le clip automatiche che partono esattamente dalla prima parola di una citazione, senza mezzo secondo di respiro davanti, usano gli orari di inizio delle parole.

• Analisi del parlato. Velocità di eloquio, durata delle pause e sovrapposizioni tra parlanti si calcolano dai tempi delle parole.

Un test veloce: se non sai indicare la funzione che leggerà i tempi per parola, non ti servono. Conservarli comunque non costa nulla nella maggior parte degli strumenti, ma mostrarli a chi legge rende la trascrizione più scomoda.

Per parola o per segmento: il confronto

Come inserire i timestamp in una trascrizione

Se trascrivi a mano, conta più la coerenza della convenzione che la convenzione in sé. Una procedura che funziona:

1. Scegli il formato una volta per tutte. Nei documenti usa [hh:mm:ss] tra parentesi quadre. Aggiungi i millisecondi solo nei file di sottotitoli, dove il formato li richiede.

2. Scegli quando inserirli. A ogni cambio di parlante, a intervalli fissi (30 o 60 secondi sono i più comuni) o in entrambi i casi. Scrivi la regola in cima al documento, così gli altri lettori sanno che cosa significa un timestamp mancante.

3. Leggi l'orario dal player, non a memoria. Metti in pausa, annota la posizione corrente e scrivila all'inizio della riga.

4. Segna con un orario anche i vuoti e i passaggi incomprensibili, per esempio [incomprensibile 00:12:41], così chi rivede va dritto al problema.

5. Fai un controllo a campione alla fine. Salta a tre o quattro timestamp e verifica che il testo corrisponda a ciò che senti.

Farlo a mano per un'ora di audio è lento, ed è per questo che oggi quasi tutti lasciano al riconoscimento vocale il compito di piazzare i timestamp e si limitano a correggere il testo. Uno strumento di trascrizione AI automatico ti restituisce una trascrizione in cui ogni segmento ha il proprio codice temporale. BlaBlaScribe funziona così su file caricati e link (per esempio con il generatore di trascrizioni YouTube), con un'accuratezza fino al 99,8% su audio pulito, ed esporta in SRT, VTT, DOCX, TXT, JSON e altri formati. Non è un bot per le riunioni, non entra nelle chiamate dal vivo e non ha un'API pubblica: se ti servono array di parole inviati in streaming al tuo software, un'API vocale per sviluppatori è la soluzione più adatta.

Come funzionano i timestamp per parola di Whisper?

I modelli vocali non sentono una parola in un singolo istante. Valutano l'audio in brevi frame ed emettono token di testo man mano che gli indizi si accumulano. I timestamp per parola si ottengono riportando quei token sui frame, un passaggio chiamato allineamento. Ci sono due modi comuni per farlo.

• Dall'attenzione del modello stesso. Whisper, il modello open source di OpenAI, ha un'opzione word_timestamps che, come dice il suo codice sorgente, estrae i timestamp a livello di parola "using the cross-attention pattern and dynamic time warping" (Whisper, transcribe.py). L'help della riga di comando definisce ancora l'opzione sperimentale. Quando è attiva, Whisper può anche sottolineare ogni parola nel momento in cui viene pronunciata nell'output SRT e VTT.

• Allineamento forzato in un secondo passaggio. Un modello separato prende il testo finito e l'audio e cerca la corrispondenza migliore tra i due, fonema per fonema. È la strada di WhisperX, che combina il rilevamento dell'attività vocale con l'allineamento forzato dei fonemi; i suoi autori osservano che i timestamp degli enunciati di Whisper sono soggetti a imprecisioni e che quelli per parola non sono disponibili di serie (Bain et al., WhisperX, 2023).

Le API commerciali offrono la stessa idea come opzione della richiesta. Google Cloud Speech-to-Text, per esempio, restituisce gli offset di inizio e fine di ogni parola quando enableWordTimeOffsets è impostato su true, con incrementi di 100 ms (documentazione di Google Cloud). Questa granularità va benissimo per evidenziare le parole, ma è troppo grossolana per fidarsi senza controllo in tagli audio precisi al frame.

Perché a volte i timestamp di Whisper sono imprecisi?

Le cause sono quasi sempre le stesse che peggiorano l'accuratezza della trascrizione in generale. Il parlato legato confonde i confini tra le parole ("gonna", "wanna" in inglese, "c'ho", "'sto" in italiano), i parlanti che si sovrappongono si contendono lo stesso tratto di audio, musica e rumore sfumano gli attacchi, e silenzi lunghi o testo allucinato possono far slittare fuori sincrono i segmenti successivi. Sull'audio disturbato i tempi tendono a essere approssimativi parola per parola e affidabili frase per frase. Se la sincronizzazione deriva, pulisci prima l'audio, dividi i file molto lunghi e usa uno strumento che esegua un passaggio di allineamento dedicato. Per capire come funziona il riconoscimento dietro le quinte, leggi come funziona davvero lo speech-to-text e il nostro confronto tra Whisper e gli strumenti di trascrizione a pagamento.

Quali formati di file possono contenere timestamp per parola?

• SRT lavora solo per segmenti. Ogni cue ha un inizio, una fine e un blocco di testo; non esiste un campo per i tempi delle singole parole.

• WebVTT usa cue per segmento come l'SRT, ma la specifica WebVTT del W3C ammette anche timestamp all'interno del testo del cue, come <00:01:22.610>results. Ognuno deve essere successivo al precedente e restare tra l'inizio e la fine del cue. È il modo standard per esprimere una temporizzazione in stile karaoke in un file di sottotitoli, anche se non tutti i player la visualizzano. Pro e contro dei due formati sono in SRT o VTT.

• Le trascrizioni JSON sono la casa naturale dei dati per parola: array di parola, inizio, fine e spesso un punteggio di confidenza, letti da editor, strumenti per le clip e script di analisi.

• DOCX e TXT contengono al massimo timestamp per segmento o per turno di parola. Qualsiasi dettaglio in più trasforma in rumore una pagina pensata per essere letta.

In pratica: se il risultato è un file che una persona apre, ci va la temporizzazione per segmento. Se il risultato sono dati che un altro programma elabora, può valere la pena portarsi dietro i tempi per parola.

Quale scegliere?

1. Trascrizioni, appunti, citazioni, capitoli, sottotitoli standard: per segmento. Esporta in SRT o VTT per i video, in DOCX o TXT per la lettura.

2. Sottotitoli animati per i video brevi: per parola, ma raramente te ne occupi tu. Uno strumento come Sottotitoli parola per parola usa internamente i tempi delle parole per creare sottotitoli che si illuminano man mano che ogni parola viene pronunciata (per un MP4 completo con sottotitoli impressi e senza filigrana serve un piano a pagamento).

3. Player con testo sincronizzato su un sito: per parola, visualizzato da un player come il Podcast Transcript Player, che evidenzia ogni parola mentre l'episodio va avanti.

4. Software tuo per montaggio, clip o analisi: JSON per parola da un'API o da un allineatore come WhisperX, verificato su un campione prima di farci affidamento.

Domande frequenti

Qual è la differenza tra timestamp per parola e per segmento?

I timestamp per segmento danno un solo orario di inizio e di fine a un'intera frase, mentre quelli per parola assegnano inizio e fine a ogni parola. I segmenti sono adatti a sottotitoli e trascrizioni da leggere; le parole servono a funzioni software come i sottotitoli animati e il montaggio da testo.

I timestamp per parola sono più precisi?

Sono più granulari, non più precisi. Un buon timestamp per segmento è altrettanto affidabile per ritrovare un momento, e sul parlato rumoroso o sovrapposto i tempi delle parole sono spesso approssimativi.

Servono i timestamp per parola per i sottotitoli?

No. I cue SRT e VTT sono segmenti per definizione. L'eccezione è lo stile parola per parola dei video brevi, che gli strumenti generano a partire dai tempi interni delle parole.

Come si ottengono i timestamp per parola da Whisper?

Imposta word_timestamps=True in Python oppure passa --word_timestamps True da riga di comando; Whisper allega allora inizio e fine a ogni parola di ogni segmento. La funzione è contrassegnata come sperimentale, e WhisperX aggiunge l'allineamento forzato quando ti serve una temporizzazione più stretta.

Ogni quanto dovrebbero comparire i timestamp in una trascrizione?

Per le trascrizioni da leggere la convenzione più diffusa è a ogni cambio di parlante, oppure ogni 30-60 secondi nei monologhi lunghi. I file di sottotitoli mettono un timestamp su ogni cue in automatico.

Un file VTT può contenere la temporizzazione per parola?

Sì. La specifica WebVTT ammette timestamp all'interno del testo del cue, come <00:01:22.610> prima di una parola, che i player possono usare per un'evidenziazione in stile karaoke. L'SRT non ha nulla di equivalente.