איך מקבלים חותמת זמן לכל מילה בהקלטה

הבקשה

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

יוצרים משימה עם POST /transcribe ודוגמים את GET /transcribe/{jobId} עד שהסטטוס הוא COMPLETED. הקפידו לשלוח את הפרמטר model במפורש, כי בלעדיו ה־API משתמש במודל הישן core.

התשובה

{
  "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[]: כולל start ו־end בשניות, text, שדה speaker כשזיהוי דוברים פועל, ו־words[].
• words[]: כולל start,‏ end ו־word בשניות, מעוגלים לשלוש ספרות אחרי הנקודה.
• למילה יכולים להיות ערכי start ו־end זהים, ומילה קצרה יכולה להימשך מאיות שנייה בודדות. אל תחלקו במשך הזמן של מילה.
• אם הגדרתם word_timestamps ל־false, או שהמודל החזיר רק זמני מקטעים, השדה words לא יופיע ויישארו לכם רק start ו־end ברמת המקטע.

אילו מודלים מחזירים זמני מילים

בפלט טקסט (txt) אין זמנים. קובץ ה־SRT שה־API מייצר מושפע מאותו פרמטר, פרטים במדריך ה־SRT.

איתור הזמן המדויק של ביטוי

משטחים את רשימת המילים, מחפשים בה את הביטוי ומחזירים את טווח הזמן שלו. ככה סוכן יכול לענות על שאלה כמו "איפה היא מזכירה מחירים?" עם זמן מדויק, או לחתוך את המשפט הזה לקליפ.

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

חיתוך קליפ לפי טווח זמן:

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

קיצור שתיקות וחיתוכי קפיצה

לפי זמני המילים אפשר לחשב את המרווחים ביניהן. משאירים רצפים של דיבור וחותכים החוצה עצירות שארוכות מסף מסוים:

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.

את הטווחים שנשארו מחברים בעזרת cut() ממדריך עריכת הווידאו.

שימושים נוספים בזמני מילים

• הדגשת מילים בזמן ניגון בווב: מדגישים את המילה שטווח הזמן שלה מכיל את currentTime.
• תמליל לחיץ: כל מילה מקשרת ל־?t=<start> בנגן.
• חלוקה לפרקים ורגעים מרכזיים: ה־LLM בוחר מספרי מקטעים, והקוד מתרגם אותם לזמנים.
• חיפוש בארכיון הקלטות: שומרים באינדקס את המילים יחד עם זמן ההתחלה שלהן, כדי שלחיצה על תוצאה תפתח את ההקלטה בשנייה הנכונה.
• יישור טקסט ועבודה על קורפוסים: ממירים את זמני המילים מה־JSON לפורמטי התיוג שהכלים שלכם עובדים איתם.

כמה זה עולה

חותמות זמן למילים לא מוסיפות למחיר. החיוב הוא לפי שניית אודיו בהתאם למודל, החל מ־0.48 דולר לשעה ב־base. שעה במודל oracle עולה 1.44 דולר. מחירון מלא: /llms/pricing.md.

שאלות ותשובות