Zaman damgalı transkript: Kelime bazlı mı, segment bazlı mı, hangisi ne zaman gerekir?

Zaman damgalı transkript, metni kayıtta söylendiği ana bağlar ve bu bağ iki farklı çözünürlükte kurulabilir. Segment bazlı zaman damgası her ifadeye ya da cümleye tek bir başlangıç ve bitiş süresi verir; altyazıların, kontrol edilecek dökümlerin ve bölüm listelerinin ihtiyacı budur. Kelime bazlı zaman damgası ise her kelimeye ayrı başlangıç ve bitiş atar. Bu ancak yazılımın tek tek kelimeler üzerinde işlem yaptığı durumlarda önem kazanır: karaoke tarzı altyazılar, metin üzerinden kurgu, hassas klip kesimi ya da konuşma analitiği.

Bu özelliklerden birini kurmuyorsanız varsayılan doğru seçim segment bazlı zamanlamadır. Rehberin devamında her türün neye benzediğini, bir transkripte zaman damgasını elle ya da otomatik olarak nasıl ekleyeceğinizi, Whisper gibi araçların kelime zamanlarını nasıl ürettiğini ve bu zamanları hangi dosya formatlarının taşıyabildiğini bulacaksınız.

Transkriptte zaman damgası nedir?

Zaman damgası eklemek, okuyucunun bir metin satırından kayıttaki aynı noktaya atlayabilmesi için deşifreye zaman kodları yerleştirmek demektir. Zaman damgası genellikle saat, dakika ve saniye olarak yazılır, örneğin [00:14:32]; altyazı dosyaları buna milisaniyeyi de ekler: 00:14:32.480.

Zaman damgalarının üç işlevi vardır. Bir alıntıyı sesle karşılaştırıp doğrulamanızı sağlarlar, belirli bir ana atıf yapmanıza ya da bağlantı vermenize imkân tanırlar (bir bölüm başlığı, bölüm notlarındaki bir madde, bir araştırma alıntısı) ve bir oynatıcının ya da editörün metni sesle eşzamanlamasını mümkün kılarlar. Hangi işe ihtiyaç duyduğunuz, zaman damgalarının ne kadar sık olması gerektiğini belirler.

Transkriptte hangi zaman damgası türleri var?

Karşılaşacağınız neredeyse her transkript dört gelenekten birine uyar. İlk ikisi insan eliyle yazılmış dökümlerde yaygındır, son ikisi yazılımdan gelir.

Araştırma dökümleri çoğu zaman ilk ikisini birleştirir: her konuşmacı geçişinde bir zaman damgası, uzun monologlarda da her dakika başında bir tane. Böylece sayfa okunaklı kalır, kodlama yapan araştırmacı da istediği pasajı saniyeler içinde bulur.

Kelime bazlı ve segment bazlı zaman damgası: ikisi neye benziyor

Aşağıda İngilizce bir cümleyi (“Sonuçlar ekipteki herkesi şaşırttı”) segment çözünürlüğünde, her altyazı editörünün kullandığı biçimde görüyorsunuz:

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

Aynı ses de kelime çözünürlüğünde, tipik bir JSON transkriptinin sakladığı şekliyle (kısaltılmış):

[
  {"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},
  ...
]

Segment sürümü, bir insanın okuyabileceği tek satırdır. Kelime sürümü ise bir programın üzerinde işlem yapabileceği yedi kayıttır. İkisi de aynı 3,5 saniyeyi anlatır; farkları doğrulukta değil, çözünürlüktedir.

Segment bazlı zaman damgası ne zaman yeterli?

İnsanların okuduğu ya da izlediği çıktıların çoğunda doğru ayrıntı düzeyi segmenttir.

• Altyazılar ve kapalı altyazılar. Bir cue zaten bir segmenttir: ekranda okunacak kadar kalan bir ifade. Örneğin Netflix stil kılavuzu her altyazı için en az altıda beş saniye, en fazla yedi saniye süre öngörür (Netflix Timed Text Style Guide). Bu sınırlara uyan bir cue'ya kelime bazlı zamanlama hiçbir şey katmaz. Asıl ustalık satır bölme ve okuma hızındadır; bunu altyazı satır uzunluğu rehberimizde anlattık.

• Kontrol ve alıntı. Bir röportajdaki alıntıyı ya da toplantı tutanağındaki bir kararı kontrol etmek, bir cümleye tıklayıp onu dinlemek demektir. Cümle çözünürlüğü sizi oraya götürür.

• Bölümler ve bölüm notları. YouTube bölümleri için açıklamada 00:00 ile başlayan, artan sırada en az üç zaman damgası içeren ve her bölümü en az 10 saniye süren bir liste gerekir (YouTube Yardım). Bunun için kimsenin milisaniyelik kelime zamanlamasına ihtiyacı yok.

• Kayıt içinde arama. Doğru segmente düşen bir arama sizi aranan ifadenin birkaç saniye yakınına getirir; gerisini kulağınız halleder.

Kelime bazlı zaman damgasına ne zaman ihtiyaç duyarsınız?

Kelime zamanlaması, bir özellik onsuz kelimenin tam anlamıyla çalışamadığında işe yarar.

• Kelime kelime altyazılar. TikTok, Reels ve Shorts'ta yaygın olan, her kelimenin söylendiği anda belirdiği ya da renk değiştirdiği stil, her kelimenin ne zaman başladığını bilmek zorundadır.

• Sesle birlikte ilerleyen transkriptler. Ses çalarken o anki kelimeyi vurgulayan podcast ve ders oynatıcıları kelime zamanlarını takip eder.

• Metin üzerinden kurgu. Transkriptte bir cümleyi silip sesin de aynı yerden kesilmesi, kelimelerin sesle hizalanmasına dayanır.

• Hassas klip kesimi. Önünde yarım saniyelik nefes olmadan, tam alıntının ilk kelimesiyle başlayan otomatik klipler kelime başlangıç zamanlarını kullanır.

• Konuşma analitiği. Konuşma hızı, duraksama uzunluğu ve konuşmacıların üst üste binmesi kelime zamanlarından hesaplanır.

Hızlı bir test: kelime bazlı zamanları okuyacak özelliğin adını veremiyorsanız onlara ihtiyacınız yoktur. Çoğu araçta bunları yine de saklamanın bir maliyeti yoktur, ama okuyucuya göstermek transkripti kullanmayı zorlaştırır.

Bir bakışta kelime bazlı ve segment bazlı

Transkripte zaman damgası nasıl eklenir

Transkripti elle yazıyorsanız, tutarlı bir kural seçmek hangi kuralı seçtiğinizden daha önemlidir. İşe yarayan bir yöntem:

1. Formatı bir kez belirleyin. Belgelerde köşeli parantez içinde [hh:mm:ss] kullanın. Milisaniyeyi yalnızca formatın bunu zorunlu kıldığı altyazı dosyalarında ekleyin.

2. Tetikleyiciyi seçin. Her konuşmacı değişiminde, her sabit aralıkta (30 ya da 60 saniye yaygındır) ya da ikisinde birden zaman damgası koyun. Diğer okuyucular eksik bir zaman damgasının ne anlama geldiğini bilsin diye kuralı belgenin başına yazın.

3. Zamanı hafızanızdan değil, oynatıcıdan okuyun. Durdurun, o anki konumu not edin, satırın başına yazın.

4. Boşlukları ve anlaşılmayan bölümleri de zamanla işaretleyin, örneğin [anlaşılmıyor 00:12:41]; böylece kontrol eden kişi doğrudan soruna gidebilir.

5. Sonunda örneklem kontrolü yapın. Üç dört zaman damgasına atlayın ve metnin duyduğunuzla örtüştüğünü doğrulayın.

Bir saatlik sesi elle bu şekilde işlemek yavaştır; bu yüzden çoğu kişi artık zaman damgalarını konuşma tanımaya bırakıp yalnızca metni düzeltiyor. Otomatik bir yapay zeka transkripsiyon aracı, her segmentin kendi zaman kodunu taşıdığı bir döküm verir. BlaBlaScribe yüklenen dosyalarda ve bağlantılarda (örneğin YouTube transkript oluşturucu üzerinden) bu şekilde çalışır; net seste doğruluk %99,8'e kadar çıkar, dışa aktarım SRT, VTT, DOCX, TXT, JSON ve diğer formatlarda yapılabilir. Bir toplantı botu değildir, canlı görüşmelere katılmaz ve herkese açık bir API'si yoktur; kelime dizilerini kendi yazılımınıza akıtmanız gerekiyorsa geliştiricilere yönelik bir konuşma API'si daha uygun olur.

Whisper kelime zaman damgaları nasıl çalışır?

Konuşma modelleri bir kelimeyi tek bir anda duymaz. Sesi kısa karelere bölüp puanlar ve kanıt biriktikçe metin token'ları üretir. Kelime zaman damgaları bu token'ların karelere geri eşlenmesiyle elde edilir; bu adıma hizalama denir. Bunun iki yaygın yolu var.

• Modelin kendi dikkat mekanizmasından. OpenAI'ın açık kaynaklı Whisper modelinde bir word_timestamps seçeneği bulunur; kaynak kodundaki ifadeyle bu seçenek kelime bazlı zaman damgalarını "using the cross-attention pattern and dynamic time warping", yani çapraz dikkat örüntüsü ve dinamik zaman bükme ile çıkarır (Whisper, transcribe.py). Komut satırı yardımı bu parametreyi hâlâ deneysel olarak etiketliyor. Seçenek açıkken Whisper, SRT ve VTT çıktısında her kelimenin altını söylendiği anda çizebilir de.

• İkinci geçişte zorlanmış hizalama. Ayrı bir model, bitmiş metni ve sesi alır ve ikisi arasındaki en iyi eşleşmeyi fonem fonem bulur. WhisperX bu yolu izler; ses etkinliği tespitini zorlanmış fonem hizalamasıyla birleştirir. Yazarları, Whisper'ın ifade düzeyindeki zaman damgalarının hatalara açık olduğunu ve kelime bazlı zaman damgalarının kutudan çıktığı haliyle sunulmadığını belirtiyor (Bain vd., WhisperX, 2023).

Ticari API'ler aynı fikri bir istek seçeneği olarak sunar. Örneğin Google Cloud Speech-to-Text, enableWordTimeOffsets true olarak ayarlandığında kelime başlangıç ve bitiş ofsetlerini 100 ms'lik adımlarla döndürür (Google Cloud belgeleri). Bu ayrıntı düzeyi kelime vurgulamak için yeterli, ama kare hassasiyetinde ses kurgusu için kontrol etmeden güvenilecek kadar ince değil.

Whisper zaman damgaları neden bazen kayar?

Olağan nedenler, genel olarak transkripsiyon doğruluğunu düşüren nedenlerle aynıdır. Akıcı konuşma kelime sınırlarını bulanıklaştırır ("gonna", "wanna"), üst üste konuşan kişiler aynı ses parçası için yarışır, müzik ve gürültü kelime başlangıçlarını silikleştirir, uzun sessizlikler ya da modelin uydurduğu metinler sonraki segmentleri senkrondan çıkarabilir. Dağınık seste kelime zamanları kelime bazında kabaca doğru, ifade bazında ise güvenilir olur. Zamanlama kayıyorsa önce sesi temizleyin, çok uzun dosyaları bölün ve ayrı bir hizalama geçişi yapan bir araç kullanın. Tanımanın arka planda nasıl işlediğini merak ediyorsanız konuşmayı metne dönüştürme aslında nasıl çalışır yazımıza ve Whisper ile ücretli transkripsiyon araçları karşılaştırmamıza göz atın.

Kelime bazlı zaman damgalarını hangi dosya formatları taşıyabilir?

• SRT yalnızca segment taşır. Her cue'nun bir başlangıcı, bir bitişi ve bir metin bloğu vardır; kelime bazlı zamanlar için bir alan yoktur.

• WebVTT SRT gibi segment cue'ları kullanır, ancak W3C WebVTT spesifikasyonu cue metninin içinde de zaman damgalarına izin verir, örneğin <00:01:22.610>results. Her biri bir öncekinden sonra gelmeli ve cue'nun başlangıç ile bitişi arasında kalmalıdır. Bir altyazı dosyasında karaoke tarzı zamanlamayı ifade etmenin standart yolu budur, ama her oynatıcı bunu göstermez. İki format arasındaki artı ve eksileri SRT mi VTT mi yazımızda bulabilirsiniz.

• JSON transkriptler kelime verisinin doğal yuvasıdır: editörlerin, klip araçlarının ve analitik betiklerin kullandığı; kelime, başlangıç, bitiş ve çoğu zaman bir güven puanı içeren diziler.

• DOCX ve TXT en fazla segment ya da konuşmacı geçişi zaman damgası taşır. Daha ince bir ayrıntı, okunmak için yazılmış bir sayfayı gürültüye çevirir.

Pratik sonuç şu: çıktı bir insanın açacağı bir dosyaysa, içine segment zamanlaması koyulmalıdır. Çıktı başka bir programın işleyeceği veriyse, kelime zamanlamasını taşımaya değebilir.

Hangisini seçmelisiniz?

1. Transkriptler, notlar, alıntılar, bölümler, standart altyazılar: segment bazlı. Video için SRT ya da VTT, okumak için DOCX ya da TXT olarak dışa aktarın.

2. Kısa videolar için animasyonlu altyazılar: kelime bazlı, ama bununla nadiren kendiniz uğraşırsınız. Kelime Kelime Altyazı gibi bir araç, her kelime söylendiğinde yanan altyazılar üretmek için kelime zamanlamasını arka planda kullanır (filigransız, altyazısı videoya gömülü tam bir MP4 için ücretli plan gerekir).

3. Web sitesinde sesle ilerleyen oynatıcı: kelime bazlı; bölüm çalarken her kelimeyi vurgulayan Podcast Transkript Oynatıcısı gibi bir oynatıcıyla gösterilir.

4. Kendi kurgu, klip ya da analitik yazılımınız: bir API'den ya da WhisperX gibi bir hizalayıcıdan gelen kelime bazlı JSON; ona güvenmeden önce bir örneklem üzerinde kontrol edin.

Sıkça sorulan sorular

Kelime bazlı ve segment bazlı zaman damgası arasındaki fark nedir?

Segment bazlı zaman damgası bütün bir ifadeye ya da cümleye tek bir başlangıç ve bitiş süresi verir, kelime bazlı zaman damgası ise her kelimeye ayrı başlangıç ve bitiş atar. Segmentler altyazılar ve okunabilir transkriptler için uygundur; kelimeler ise animasyonlu altyazı ve metin üzerinden kurgu gibi yazılım özellikleri içindir.

Kelime bazlı zaman damgaları daha mı doğru?

Daha ayrıntılıdırlar, daha doğru değil. İyi bir segment zaman damgası bir anı bulmak için aynı derecede güvenilirdir; gürültülü ya da üst üste binen konuşmada kelime zamanları çoğu zaman yaklaşıktır.

Altyazı için kelime bazlı zaman damgası gerekir mi?

Hayır. SRT ve VTT cue'ları doğası gereği segmenttir. İstisna, kısa videolara özgü kelime kelime altyazı stilidir; araçlar bunu arka plandaki kelime zamanlamasından üretir.

Whisper'dan kelime zaman damgaları nasıl alınır?

Python'da word_timestamps=True ayarlayın ya da komut satırında --word_timestamps True parametresini verin; Whisper bu durumda her segmentteki her kelimeye başlangıç ve bitiş zamanı ekler. Özellik deneysel olarak işaretlenmiştir; daha sıkı zamanlama gerektiğinde WhisperX zorlanmış hizalama ekler.

Transkriptte zaman damgası ne sıklıkla olmalı?

Okunabilir transkriptlerde her konuşmacı değişiminde, uzun monologlarda ise her 30 ila 60 saniyede bir zaman damgası koymak yaygın bir uygulamadır. Altyazı dosyaları her cue'ya otomatik olarak zaman damgası koyar.

VTT dosyası kelime bazlı zamanlama taşıyabilir mi?

Evet. WebVTT spesifikasyonu, cue metninin içinde, örneğin bir kelimenin önünde <00:01:22.610> gibi zaman damgalarına izin verir; oynatıcılar bunu karaoke tarzı vurgulama için kullanabilir. SRT'de bunun bir karşılığı yoktur.