كيف تحصل على توقيت كل كلمة في تسجيل

الطلب

{
  "audio_url": "https://example.com/interview.mp3",
  "model": "oracle",
  "language": "auto",
  "word_timestamps": true,
  "output_format": "json"
}

ابدأ المهمة عبر POST /transcribe ثم تابع حالتها عبر GET /transcribe/{jobId} حتى تصبح COMPLETED. احرص على تحديد المعامل model صراحةً، لأن إغفاله يجعل الواجهة تستخدم النموذج القديم core.

الاستجابة

{
  "jobId": "34c63d45-4cb5-473b-bc60-25c175e69c57",
  "status": "COMPLETED",
  "result": {
    "language": "en",
    "segments": [
      {
        "start": 1.0,
        "end": 3.75,
        "text": "Hello everyone and welcome to the show.",
        "speaker": "Speaker 1",
        "words": [
          { "start": 1.0, "end": 1.35, "word": "Hello" },
          { "start": 1.4, "end": 1.75, "word": "everyone" }
        ]
      }
    ]
  }
}

• segments[]: تضم start وend بالثواني، وحقل text، وحقل speaker عند تفعيل تمييز المتحدثين، ومصفوفة words[].
• words[]: تضم start وend وword بالثواني، مقرّبة إلى ثلاث خانات عشرية.
• قد تتساوى قيمتا start وend في بعض الكلمات، وقد لا تستغرق الكلمة القصيرة سوى أجزاء من الثانية. لذلك تجنب القسمة الحسابية على مدة الكلمة.
• إذا مررت word_timestamps بقيمة false، أو اخترت نموذجًا يعيد توقيت المقاطع فقط، فلن يظهر الحقل words وستقتصر النتيجة على start وend لكل مقطع.

النماذج التي تدعم توقيت الكلمات

صيغة النص العادي (txt) لا تتضمن أي توقيت. أما ملف SRT الذي تولّده الواجهة فيعتمد المنطق نفسه، راجع دليل SRT.

البحث عن موضع عبارة

سطّح مصفوفة الكلمات وابحث فيها لاستخراج النطاق الزمني المطلوب. بهذه الطريقة يستطيع الوكيل الإجابة عن سؤال مثل «أين تذكر الأسعار؟» بتوقيت دقيق، أو اقتطاع تلك الجملة في مقطع مستقل.

find.py

# find.py — where is a phrase said? Returns (start, end) in seconds.
import re


def find_phrase(result, phrase):
    words = [w for segment in result["segments"] for w in segment.get("words", [])]
    clean = lambda text: re.sub(r"[^\w]", "", text.lower())
    target = [clean(p) for p in phrase.split()]
    tokens = [clean(w["word"]) for w in words]
    for i in range(len(tokens) - len(target) + 1):
        if tokens[i:i + len(target)] == target:
            return words[i]["start"], words[i + len(target) - 1]["end"]
    return None


# start, end = find_phrase(result, "welcome to the show")
# ffmpeg -ss <start> -to <end> -i talk.mp4 -c:v libx264 -c:a aac clip.mp4

اقتطاع مقطع حسب النطاق الزمني:

ffmpeg -ss 41.2 -to 47.8 -i talk.mp4 -c:v libx264 -c:a aac clip.mp4

تقليص فترات الصمت وإنشاء قفزات قطعية

توقيت الكلمات يكشف لك الفجوات الزمنية بينها. احتفظ بالكلام المتصل واحذف الوقفات التي تتجاوز حدًا معينًا:

silences.py

# silences.py — keep the speech, drop pauses longer than max_gap seconds
def speech_ranges(words, max_gap=0.7, pad=0.1):
    ranges = []
    for word in words:
        if ranges and word["start"] - ranges[-1][1] <= max_gap:
            ranges[-1][1] = word["end"]
        else:
            ranges.append([word["start"], word["end"]])
    return [[max(0.0, s - pad), e + pad] for s, e in ranges]

# Pass the ranges to cut() from cut.py to build the tightened video.

مرّر هذه النطاقات إلى الدالة cut() المشروحة في دليل تحرير الفيديو.

استخدامات أخرى للتوقيت

• تمييز الكلمات أثناء التشغيل على الويب: أبرز الكلمة التي يقع وقت المشغّل الحالي currentTime ضمن نطاقها.
• تفريغ تفاعلي قابل للنقر: اربط كل كلمة بالمعامل ?t=<start> للقفز إليها مباشرة في المشغّل.
• تقسيم الفصول وأبرز اللحظات: يحدد النموذج اللغوي أرقام المقاطع المهمة، وتحوّلها شيفرتك إلى أوقات دقيقة.
• البحث داخل مكتبة صوتية: خزّن الكلمات مع أوقات بدايتها ليفتح المقطع عند الثانية المطلوبة مباشرة.
• المحاذاة الزمنية والمدونات اللغوية: حوّل أوقات الكلمات من JSON إلى صيغ الوسم التي تقبلها أدواتك.

التكلفة

تفعيل توقيت الكلمات لا يغير التكلفة. يُحسب الاستهلاك بثواني الصوت الفعلية حسب سعر النموذج، بدءًا من 0.48 دولار للساعة على base، و1.44 دولار للساعة على oracle. تفاصيل الأسعار في /llms/pricing.md.

أسئلة وأجوبة