Comment obtenir l’horodatage de chaque mot d’un enregistrement

La requête

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

Lancez la tâche avec POST /transcribe, puis interrogez GET /transcribe/{jobId} jusqu’au statut COMPLETED. Pensez à toujours préciser model : sans ce paramètre, l’API se rabat sur l’ancien modèle core.

La réponse

{
  "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[] : contient start et end (en secondes), text, speaker (si la diarisation est activée) et le tableau words[].
• words[] : contient start, end et word, avec des temps en secondes arrondis à trois décimales.
• Il arrive qu’un mot ait la même valeur pour start et end, ou qu’un mot très court ne dure que quelques centièmes de seconde. Évitez donc de diviser par la durée d’un mot dans vos calculs.
• Si vous passez word_timestamps à false, ou si le modèle choisi ne fournit l’horodatage que par segment, le champ words est omis. Vous conservez toutefois le start et le end de chaque segment.

Quels modèles fournissent l’horodatage mot à mot

La sortie texte brut (txt) ne contient aucun horodatage. Les fichiers SRT générés par l’API suivent la même logique ; consultez à ce sujet le guide SRT.

Repérer le moment exact où une phrase est prononcée

Aplatissez la liste des mots pour y lancer votre recherche et récupérer l’intervalle de temps correspondant. Votre agent pourra ainsi répondre à « où parle-t-elle des tarifs ? » en donnant l’instant exact, ou découper directement ce passage en clip.

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

Extraire un clip à partir d’une plage de temps :

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

Raccourcir les silences et monter à la coupe

Avec les mots, vous connaissez aussi l’écart qui les sépare. Vous pouvez ainsi conserver la parole continue et couper les pauses qui dépassent un certain seuil :

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.

Assemblez ensuite les plages retenues à l’aide de la fonction cut() présentée dans le guide du montage vidéo.

Autres cas d’usage de l’horodatage mot à mot

• Suivi façon karaoké dans un lecteur web : mettez en évidence le mot dont la plage encadre currentTime.
• Transcriptions interactives : rendez chaque mot cliquable avec un lien vers ?t=<start> pour caler le lecteur à cet endroit.
• Chapitrage et moments forts : laissez un LLM sélectionner les numéros de segments pertinents, puis traduisez-les en codes temporels dans votre code.
• Recherche dans une bibliothèque : enregistrez chaque mot avec son temps de début pour ouvrir les résultats de recherche à la seconde près.
• Alignement et travail sur corpus : convertissez les repères temporels des mots du JSON vers les formats d’annotation que lisent vos outils.

Combien ça coûte

L’horodatage mot à mot n’entraîne aucun surcoût. La facturation se fait à la seconde d’audio selon le modèle choisi, à partir de 0,48 US$ par heure avec base (et 1,44 US$ par heure avec oracle). Consultez la grille complète sur /llms/pricing.md.

Questions et réponses