Tidsstämplar i transkribering: ordnivå eller segmentnivå, och när du behöver vilken

Tidsstämplar i en transkribering kopplar texten till det ögonblick då den sades, och de finns i två upplösningar. Tidsstämplar på segmentnivå ger varje fras eller mening en starttid och en sluttid, och det är vad undertexter, granskningsbara transkript och kapitellistor behöver. Tidsstämplar på ordnivå ger varje enskilt ord en egen start och ett eget slut, vilket bara spelar roll när programvara arbetar med enskilda ord: karaokeliknande textning, redigering via text, exakt klippning eller talanalys.

Bygger du inte någon av de funktionerna är segmentnivå rätt utgångsläge. Resten av guiden visar hur respektive typ ser ut, hur du lägger in tidsstämplar i ett transkript för hand eller automatiskt, hur verktyg som Whisper tar fram tider per ord och vilka filformat som kan bära dem.

Vad betyder tidsstämplar i en transkribering?

Att tidsstämpla betyder att man för in tidskoder i transkriptet så att läsaren kan hoppa från en textrad till samma punkt i inspelningen. En tidsstämpel skrivs oftast i timmar, minuter och sekunder, till exempel [00:14:32], och undertextfiler lägger till millisekunder: 00:14:32.480.

Tidsstämplar fyller tre funktioner. Du kan kontrollera ett citat mot ljudet, du kan hänvisa eller länka till ett visst ögonblick (ett kapitel, en rad i avsnittsbeskrivningen, ett utdrag i en studie), och en spelare eller ett redigeringsprogram kan synka text med ljud. Vilken av dem du behöver avgör hur tätt tidsstämplarna ska sitta.

Vilka typer av tidsstämplar finns i ett transkript?

Fyra konventioner täcker nästan alla transkript du stöter på. De två första är vanliga i transkript som skrivits av människor, de två sista kommer från programvara.

Forskningstranskript kombinerar ofta de två första: en tidsstämpel vid varje talarbyte plus en vid varje minutmarkering under långa monologer. Då förblir sidan läsbar samtidigt som den som kodar materialet hittar vilket avsnitt som helst på några sekunder.

Tidsstämplar på ordnivå och segmentnivå: så ser de ut

Här är en mening med segmentupplösning, i den form som alla undertextprogram använder (exemplet är på engelska):

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

Och samma ljud med ordupplösning, så som ett typiskt JSON-transkript lagrar det (förkortat):

[
  {"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},
  ...
]

Segmentversionen är en rad som en människa kan läsa. Ordversionen är sju poster som ett program kan agera på. Båda beskriver samma 3,5 sekunder; skillnaden ligger i upplösningen, inte i hur sanna de är.

När räcker tidsstämplar på segmentnivå?

För det mesta som en människa läser eller tittar på är segment rätt nivå.

• Undertexter och closed captions. En cue är ett segment: en fras som står kvar på skärmen tillräckligt länge för att hinna läsas. Netflix stilguide anger till exempel minst fem sjättedels sekund och högst 7 sekunder per undertext (Netflix Timed Text Style Guide). Tider per ord tillför ingenting till en cue som håller sig inom de gränserna. Det verkliga hantverket ligger i radbrytningar och läshastighet, som vi går igenom i vår guide om radlängd i undertexter.

• Granskning och citat. Att kontrollera ett citat i en intervju eller ett beslut i ett mötesprotokoll innebär att klicka på en mening och lyssna. Meningsupplösning tar dig dit.

• Kapitel och avsnittsbeskrivningar. Kapitel på YouTube kräver en lista i beskrivningen som börjar på 00:00, har minst tre tidsstämplar i stigande ordning och kapitel på minst 10 sekunder (YouTube Hjälp). Ingen behöver ordtider på millisekunden för det.

• Sökning i en inspelning. En sökning som landar i rätt segment hamnar några sekunder från ordet; resten sköter öronen.

När behöver du tidsstämplar på ordnivå?

Ordtider gör nytta när en funktion bokstavligen inte fungerar utan dem.

• Textning ord för ord. Stilen som är vanlig på TikTok, Reels och Shorts, där varje ord poppar upp eller byter färg när det sägs, måste veta när varje ord börjar.

• Transkript att läsa med i. Podd- och föreläsningsspelare som markerar det aktuella ordet medan ljudet spelas följer ordtiderna.

• Redigering via text. Att stryka en mening i transkriptet och få ljudet klippt på samma ställe kräver att orden är synkade mot ljudet.

• Snäv klippning. Automatiska klipp som börjar exakt på första ordet i ett citat, utan en halv sekunds inandning före, använder ordens starttider.

• Talanalys. Taltempo, pauslängd och överlapp mellan talare räknas fram ur ordtiderna.

Ett snabbt test: kan du inte peka ut den funktion som ska läsa tiderna per ord, behöver du dem inte. Att spara dem ändå kostar ingenting i de flesta verktyg, men att visa dem för läsare gör transkriptet svårare att använda.

Ordnivå och segmentnivå i korthet

Så lägger du in tidsstämplar i en transkribering

Skriver du transkriptet för hand är det viktigare att vara konsekvent än vilken konvention du väljer. Ett arbetssätt som fungerar:

1. Bestäm formatet en gång. Använd [hh:mm:ss] inom hakparentes i dokument. Lägg bara till millisekunder i undertextfiler, där formatet kräver det.

2. Bestäm vad som utlöser en tidsstämpel. Stämpla varje talarbyte, varje fast intervall (30 eller 60 sekunder är vanligt) eller båda. Skriv regeln överst i dokumentet så att andra läsare vet vad en saknad tidsstämpel betyder.

3. Läs av tiden i spelaren, inte ur minnet. Pausa, notera aktuell position och skriv den i början av raden.

4. Märk även luckor och ohörbara partier med en tid, till exempel [ohörbart 00:12:41], så att granskaren kan gå direkt till problemet.

5. Stickprova i slutet. Hoppa till tre eller fyra tidsstämplar och kontrollera att texten stämmer med det du hör.

Att göra det här för hand för en timmes ljud går långsamt, och därför låter de flesta i dag taligenkänningen placera tidsstämplarna och rättar bara texten. Ett automatiskt verktyg för AI-transkribering ger dig ett transkript där varje segment har en egen tidskod. BlaBlaScribe fungerar så för uppladdade filer och länkar (till exempel via verktyget för YouTube-transkript), med en träffsäkerhet på upp till 99,8 % på tydligt ljud, och exporterar bland annat SRT, VTT, DOCX, TXT och JSON. Det är ingen mötesbot och ansluter inte till pågående samtal, och det finns inget publikt API, så behöver du ordlistor strömmade in i din egen programvara passar ett tal-API för utvecklare bättre.

Hur fungerar tidsstämplar per ord i Whisper?

Talmodeller hör inte ett ord i ett enda ögonblick. De poängsätter ljudet i korta ramar och skickar ut texttokens allteftersom underlaget växer. Tidsstämplar per ord fås genom att tokens mappas tillbaka på ramarna, ett steg som kallas alignment (synkning). Det finns två vanliga sätt att göra det.

• Utifrån modellens egen attention. OpenAI:s öppna Whisper har ett alternativ, word_timestamps, som enligt källkoden tar fram tidsstämplar på ordnivå med hjälp av mönstret i cross-attention och dynamic time warping (Whisper, transcribe.py). Hjälptexten i kommandoraden kallar fortfarande flaggan experimentell. När den är påslagen kan Whisper också stryka under varje ord när det sägs i sina SRT- och VTT-filer.

• Forced alignment i ett andra pass. En separat modell tar den färdiga texten och ljudet och letar upp den bästa matchningen mellan dem, fonem för fonem. WhisperX går den vägen och kombinerar röstaktivitetsdetektering med forced alignment på fonemnivå; författarna påpekar att Whispers tidsstämplar per yttrande ofta blir felaktiga och att tidsstämplar per ord inte finns direkt ur lådan (Bain m.fl., WhisperX, 2023).

Kommersiella API:er erbjuder samma sak som ett alternativ i anropet. Google Cloud Speech-to-Text returnerar till exempel ordens start- och slutpositioner när enableWordTimeOffsets är satt till true, i steg om 100 ms (Google Cloud-dokumentationen). Den upplösningen räcker gott för att markera ord, men är för grov för att lita på vid bildrutenoggranna ljudklipp utan kontroll.

Varför blir Whispers tidsstämplar ibland felaktiga?

Orsakerna är oftast desamma som sänker träffsäkerheten i transkribering generellt. Sammanhängande tal suddar ut ordgränserna (”gonna”, ”wanna”), överlappande talare tävlar om samma bit ljud, musik och brus smetar ut ordens början, och långa tystnader eller hallucinerad text kan få senare segment ur synk. På rörigt ljud brukar ordtiderna vara ungefär rätt per ord och pålitliga per fras. Om tiderna glider: rensa ljudet först, dela upp mycket långa filer och använd ett verktyg som gör ett separat synkningspass. Vill du veta mer om hur igenkänningen fungerar under huven, läs hur tal till text faktiskt fungerar och vår jämförelse Whisper mot betalda transkriberingsverktyg.

Vilka filformat kan bära tidsstämplar på ordnivå?

• SRT klarar bara segment. Varje cue har en start, ett slut och ett textblock; det finns inget fält för tider per ord.

• WebVTT använder segment-cues precis som SRT, men W3C:s WebVTT-specifikation tillåter också tidsstämplar inuti cue-texten, till exempel <00:01:22.610>results. Varje sådan måste ligga senare än den föregående och inom cuens start och slut. Det är standardsättet att uttrycka karaokeliknande tider i en undertextfil, även om inte alla spelare visar det. För- och nackdelarna med de två formaten finns i SRT eller VTT.

• JSON-transkript är den naturliga platsen för orddata: listor med ord, start, slut och ofta ett konfidensvärde, som läses av redigeringsprogram, klippverktyg och analysskript.

• DOCX och TXT bär som mest tidsstämplar per segment eller talartur. Något finare gör en sida som är tänkt att läsas till brus.

Slutsatsen i praktiken: är leveransen en fil som en människa öppnar hör segmenttider hemma där. Är leveransen data som ett annat program läser kan ordtider vara värda att ta med.

Vilken ska du välja?

1. Transkript, anteckningar, citat, kapitel, vanliga undertexter: segmentnivå. Exportera SRT eller VTT för video, DOCX eller TXT för läsning.

2. Animerad textning för korta videor: ordnivå, men du hanterar det sällan själv. Ett verktyg som Word-by-Word Captions använder ordtider internt för att skapa textning som tänds upp när varje ord sägs (en färdig MP4 med inbrända undertexter utan vattenstämpel kräver ett betalt abonnemang).

3. Spelare på en webbplats där man läser med: ordnivå, som visas av en spelare som Podcast Transcript Player, som markerar varje ord medan avsnittet spelas.

4. Din egen programvara för redigering, klippning eller analys: JSON på ordnivå från ett API eller ett synkningsverktyg som WhisperX, kontrollerat på ett stickprov innan du förlitar dig på det.

Vanliga frågor

Vad är skillnaden mellan tidsstämplar på ordnivå och segmentnivå?

Tidsstämplar på segmentnivå ger en start- och sluttid till en hel fras eller mening, medan tidsstämplar på ordnivå ger en start- och sluttid till varje ord. Segment passar undertexter och läsbara transkript; ord passar programfunktioner som animerad textning och redigering via text.

Är tidsstämplar på ordnivå mer exakta?

De är mer finmaskiga, inte mer exakta. En bra tidsstämpel per segment är lika pålitlig för att hitta ett ögonblick, och ordtider i brusigt eller överlappande tal är ofta ungefärliga.

Behöver jag tidsstämplar på ordnivå för undertexter?

Nej. Cues i SRT och VTT är segment till sin natur. Undantaget är textning ord för ord i korta videor, som verktygen skapar utifrån interna ordtider.

Hur får jag tidsstämplar per ord från Whisper?

Sätt word_timestamps=True i Python eller skicka med --word_timestamps True på kommandoraden; Whisper lägger då till start- och sluttid för varje ord i varje segment. Funktionen är märkt som experimentell, och WhisperX lägger till forced alignment när du behöver snävare tider.

Hur ofta ska tidsstämplar förekomma i ett transkript?

I läsbara transkript är det vanligt med en vid varje talarbyte, eller var 30:e till 60:e sekund under långa monologer. Undertextfiler tidsstämplar varje cue automatiskt.

Kan en VTT-fil innehålla tider på ordnivå?

Ja. WebVTT-specifikationen tillåter tidsstämplar inuti cue-texten, till exempel <00:01:22.610> före ett ord, som spelare kan använda för karaokeliknande markering. SRT har ingen motsvarighet.