Word level timestamps of tijdstempels per zin: wat heb je nodig?

Tijdstempels koppelen tekst aan het moment waarop iets werd gezegd, en ze bestaan in twee resoluties. Tijdstempels per segment geven elke zinsnede of zin één begin- en eindtijd. Dat is wat ondertitels, controleerbare transcripten en hoofdstuklijsten nodig hebben. Word level timestamps, tijdstempels per woord, geven elk afzonderlijk woord een eigen begin en einde. Die zijn alleen van belang als software met losse woorden werkt: karaoke-ondertitels, bewerken via de tekst, clips op het woord nauwkeurig knippen of spraakanalyse.

Bouw je niet aan een van die functies, dan is timing per segment de juiste standaard. In de rest van deze gids zie je hoe beide typen eruitzien, hoe je tijdstempels met de hand of automatisch aan een transcript toevoegt, hoe tools als Whisper woordtimings maken en welke bestandsformaten ze kunnen bevatten.

Wat betekent een tijdstempel in een transcriptie?

Een tijdstempel is een tijdcode in het transcript, zodat een lezer van een regel tekst direct naar hetzelfde punt in de opname kan springen. Meestal staat er uren, minuten en seconden, bijvoorbeeld [00:14:32], en ondertitelbestanden voegen milliseconden toe: 00:14:32.480.

Tijdstempels hebben drie taken. Je controleert er een citaat mee tegen de audio, je verwijst of linkt ermee naar een moment (een hoofdstuk, een regel in de shownotes, een fragment in onderzoek), en een speler of editor synchroniseert er tekst en geluid mee. Welke taak jij hebt, bepaalt hoe dicht de tijdstempels op elkaar moeten staan.

Welke soorten tijdstempels kent een transcript?

Vier conventies dekken bijna elk transcript dat je tegenkomt. De eerste twee zie je vaak in transcripten die door mensen zijn uitgetypt, de laatste twee komen uit software.

Onderzoekstranscripten combineren vaak de eerste twee: een tijdstempel bij elke beurtwisseling plus één bij elke minuut in lange monologen. Zo blijft de pagina leesbaar en vindt een codeur elke passage toch binnen een paar seconden.

Word level timestamps of tijdstempels per segment: zo zien ze eruit

Dit is één zin op segmentniveau, in de vorm die elke ondertiteleditor gebruikt:

00:01:22.400 --> 00:01:25.900
De resultaten verrasten iedereen in het team.

En dezelfde audio op woordniveau, zoals een gangbaar JSON-transcript het opslaat (ingekort):

[
  {"word": "De",         "start": 82.40, "end": 82.58},
  {"word": "resultaten", "start": 82.61, "end": 82.98},
  {"word": "verrasten",  "start": 83.05, "end": 83.47},
  {"word": "iedereen",   "start": 83.52, "end": 83.86},
  ...
]

De segmentversie is één regel die een mens kan lezen. De woordversie bestaat uit zeven records waar een programma iets mee kan. Beide beschrijven dezelfde 3,5 seconde; ze verschillen in resolutie, niet in juistheid.

Wanneer zijn tijdstempels per segment genoeg?

Voor de meeste dingen die iemand leest of bekijkt, is het segment de juiste korrel.

• Ondertitels en closed captions. Een cue is een segment: een zinsnede die lang genoeg in beeld blijft om te lezen. De stijlgids van Netflix hanteert bijvoorbeeld minimaal vijf zesde seconde en maximaal zeven seconden per ondertitel (Netflix Timed Text Style Guide). Timing per woord voegt niets toe aan een cue die binnen die grenzen blijft. Het echte vakwerk zit in regelafbrekingen en leessnelheid, en dat lees je in onze gids over de lengte van ondertitelregels.

• Controleren en citeren. Een citaat uit een interview of een besluit in de notulen nakijken betekent: op een zin klikken en hem horen. Daarvoor volstaat resolutie per zin.

• Hoofdstukken en shownotes. Hoofdstukken op YouTube vragen om een lijst in de beschrijving die begint bij 00:00, minstens drie tijdstempels in oplopende volgorde heeft en hoofdstukken van minimaal 10 seconden (YouTube Help). Woordtiming tot op de milliseconde heeft daar niemand voor nodig.

• Zoeken in een opname. Een zoekopdracht die op het juiste segment uitkomt, brengt je tot op een paar seconden van de term; je oren doen de rest.

Wanneer heb je word level timestamps nodig?

Woordtiming bewijst zijn waarde pas als een functie letterlijk niet zonder kan.

• Ondertitels woord voor woord. De stijl die je op TikTok, Reels en Shorts ziet, waarbij elk woord oplicht of van kleur verandert zodra het wordt uitgesproken, moet weten wanneer elk woord begint.

• Meeleestranscripten. Spelers voor podcasts en colleges die het huidige woord markeren terwijl de audio loopt, volgen de woordtijden.

• Bewerken via tekst. Een zin uit het transcript verwijderen en de audio op precies dezelfde plek laten knippen, hangt af van de koppeling tussen woord en audio.

• Strak knippen van clips. Automatische clips die precies op het eerste woord van een citaat beginnen, zonder een halve seconde ademhaling ervoor, gebruiken de begintijden van woorden.

• Spraakanalyse. Spreektempo, de lengte van pauzes en overlap tussen sprekers worden berekend uit woordtijden.

Een snelle toets: kun je de functie die tijden per woord gaat uitlezen niet bij naam noemen, dan heb je ze niet nodig. Ze toch opslaan kost in de meeste tools niets, maar ze aan lezers tonen maakt een transcript lastiger in het gebruik.

Per woord of per segment: het overzicht

Zo zet je tijdstempels in een transcript

Typ je een transcript met de hand uit, dan is een consequente conventie belangrijker dan welke conventie het precies is. Een werkbare aanpak:

1. Kies het formaat één keer. Gebruik [hh:mm:ss] tussen vierkante haken voor documenten. Voeg alleen milliseconden toe in ondertitelbestanden, waar het formaat ze vereist.

2. Kies de aanleiding. Zet een tijdstempel bij elke sprekerswissel, op een vast interval (30 of 60 seconden is gebruikelijk) of allebei. Schrijf de regel bovenaan het document, zodat andere lezers weten wat een ontbrekende tijdstempel betekent.

3. Lees de tijd af in de speler, niet uit je geheugen. Pauzeer, noteer de huidige positie en typ die aan het begin van de regel.

4. Geef ook hiaten en onverstaanbare passages een tijd, bijvoorbeeld [onverstaanbaar 00:12:41], zodat iemand die nakijkt meteen naar het probleem kan.

5. Steekproef aan het eind. Spring naar drie of vier tijdstempels en controleer of de tekst klopt met wat je hoort.

Voor een uur audio is dit handwerk traag, en daarom laten de meeste mensen de tijdstempels tegenwoordig door spraakherkenning plaatsen en verbeteren ze alleen de tekst. Een automatische AI-transcriptietool levert een transcript waarin elk segment een eigen tijdcode heeft. BlaBlaScribe werkt zo met geüploade bestanden en links (bijvoorbeeld via de YouTube-transcriptgenerator), met een nauwkeurigheid tot 99,8% bij heldere audio, en exporteert onder meer naar SRT, VTT, DOCX, TXT en JSON. Het is geen meetingbot en schuift niet aan bij live gesprekken, en er is geen publieke API. Wil je woordarrays rechtstreeks in je eigen software binnenhalen, dan past een spraak-API voor ontwikkelaars beter.

Hoe werken Whisper word timestamps?

Spraakmodellen horen een woord niet op één precies moment. Ze beoordelen de audio in korte frames en geven teksttokens af naarmate het bewijs zich opstapelt. Woordtijden ontstaan door die tokens terug te leggen op de frames, een stap die alignment heet. Daarvoor zijn twee gangbare manieren.

• Via de attention van het model zelf. De opensource-Whisper van OpenAI heeft een optie word_timestamps die volgens de broncode tijdstempels per woord afleidt "using the cross-attention pattern and dynamic time warping" (Whisper, transcribe.py). In de hulptekst van de command line staat de vlag nog altijd als experimenteel. Staat hij aan, dan kan Whisper in zijn SRT- en VTT-uitvoer ook elk woord onderstrepen op het moment dat het klinkt.

• Forced alignment als tweede ronde. Een apart model neemt de kant-en-klare tekst en de audio en zoekt foneem voor foneem de beste overeenkomst. WhisperX volgt die route en combineert detectie van spraakactiviteit met geforceerde foneemalignment. De auteurs merken op dat de tijdstempels van Whisper per uiting gevoelig zijn voor onnauwkeurigheden en dat tijdstempels per woord niet standaard beschikbaar zijn (Bain et al., WhisperX, 2023).

Commerciële API's bieden hetzelfde idee aan als optie in het verzoek. Google Cloud Speech-to-Text geeft bijvoorbeeld begin- en eindoffsets per woord terug als enableWordTimeOffsets op true staat, in stappen van 100 ms (documentatie van Google Cloud). Die korrel is prima om woorden te markeren, maar te grof om zonder controle te vertrouwen bij audiobewerking op het frame nauwkeurig.

Waarom kloppen de tijdstempels van Whisper soms niet?

De oorzaken zijn meestal dezelfde die de nauwkeurigheid van transcriptie in het algemeen drukken. Verbonden spraak laat woordgrenzen vervagen ("gonna", "wanna"), sprekers die door elkaar praten strijden om hetzelfde stuk audio, muziek en ruis maken de inzet van woorden onscherp, en lange stiltes of verzonnen tekst kunnen latere segmenten uit de pas laten lopen. Op rommelige audio zijn woordtijden per woord ongeveer goed en per zinsnede betrouwbaar. Verschuift de timing, maak dan eerst de audio schoon, knip heel lange bestanden op en gebruik een tool met een aparte alignmentronde. Wil je weten hoe herkenning onder de motorkap werkt, lees dan hoe spraak-naar-tekst echt werkt en onze vergelijking van Whisper met betaalde transcriptietools.

Welke bestandsformaten kunnen tijdstempels per woord bevatten?

• SRT kent alleen segmenten. Elke cue heeft één begin, één einde en een blok tekst; er is geen veld voor tijden per woord.

• WebVTT gebruikt segmentcues zoals SRT, maar de WebVTT-specificatie van het W3C staat ook tijdstempels binnen de cuetekst toe, zoals <00:01:22.610>resultaten. Elk daarvan moet later liggen dan het vorige en binnen het begin en einde van de cue vallen. Zo leg je karaoketiming vast in een ondertitelbestand, al geeft niet elke speler het weer. De afwegingen tussen beide formaten staan in SRT vs VTT.

• JSON-transcripten zijn de natuurlijke plek voor woorddata: arrays met woord, begin, einde en vaak een betrouwbaarheidsscore, die editors, knipprogramma's en analysescripts inlezen.

• DOCX en TXT bevatten hooguit tijdstempels per segment of per beurt. Alles wat fijner is, maakt van een pagina om te lezen ruis.

In de praktijk: is het eindproduct een bestand dat een mens opent, dan hoort daar timing per segment in. Is het data die een ander programma verwerkt, dan kan woordtiming de moeite waard zijn.

Welke kies je?

1. Transcripten, aantekeningen, citaten, hoofdstukken, gewone ondertitels: per segment. Exporteer SRT of VTT voor video, DOCX of TXT om te lezen.

2. Geanimeerde ondertitels voor korte video's: per woord, maar daar ben je zelden zelf mee bezig. Een tool als Word-by-Word Captions gebruikt intern woordtiming voor ondertitels die oplichten zodra elk woord klinkt (een volledige MP4 met ingebrande ondertitels zonder watermerk vraagt om een betaald abonnement).

3. Meeleesspeler op een website: per woord, weergegeven door een speler als de Podcast Transcript Player, die elk woord markeert terwijl de aflevering speelt.

4. Je eigen software voor bewerken, knippen of analyse: JSON per woord uit een API of een aligner als WhisperX, eerst gecontroleerd op een steekproef voordat je erop bouwt.

Veelgestelde vragen

Wat is het verschil tussen tijdstempels per woord en per segment?

Tijdstempels per segment geven één begin- en eindtijd aan een hele zinsnede of zin, word level timestamps geven elk woord een begin- en eindtijd. Segmenten passen bij ondertitels en leesbare transcripten; woorden bij softwarefuncties zoals geanimeerde ondertitels en bewerken via tekst.

Zijn tijdstempels per woord nauwkeuriger?

Ze zijn fijnmaziger, niet nauwkeuriger. Een goede tijdstempel per segment is net zo betrouwbaar om een moment terug te vinden, en woordtijden bij rumoerige of overlappende spraak zijn vaak bij benadering.

Heb ik tijdstempels per woord nodig voor ondertitels?

Nee. Cues in SRT en VTT zijn per definitie segmenten. De uitzondering is de woord-voor-woordstijl voor korte video's, die tools maken op basis van interne woordtiming.

Hoe krijg ik tijdstempels per woord uit Whisper?

Zet word_timestamps=True in Python of geef --word_timestamps True mee op de command line; Whisper koppelt dan begin- en eindtijden aan elk woord in elk segment. De functie staat als experimenteel gemarkeerd, en WhisperX voegt forced alignment toe als je strakkere timing nodig hebt.

Hoe vaak moeten er tijdstempels in een transcript staan?

Voor leesbare transcripten is een tijdstempel bij elke sprekerswissel, of elke 30 tot 60 seconden in lange monologen, een gangbare conventie. Ondertitelbestanden geven elke cue automatisch een tijdstempel.

Kan een VTT-bestand timing per woord bevatten?

Ja. De WebVTT-specificatie staat tijdstempels binnen de cuetekst toe, zoals <00:01:22.610> voor een woord, die spelers kunnen gebruiken om woorden in karaokestijl te markeren. SRT heeft daar geen equivalent voor.