Paxa Labs
คู่มือ

Timestamp ระดับคำคืออะไร และ API ไหนส่งเวลาของทุกคำให้

Timestamp ระดับคำคือเวลาเริ่มและเวลาจบของคำพูดแต่ละคำ ดูว่า API ถอดเสียงและ Text to Speech เจ้าไหนส่งให้ ใช้ทำซับและงานอื่นอย่างไร และราคาเท่าไร

· Paxa Labs · อ่าน 7 นาที

Timestamp ระดับคำคือเวลาเริ่มและเวลาจบของคำพูดหนึ่งคำในไฟล์เสียง สำหรับไฟล์บันทึกเสียง Paxa STT Lite ส่งเวลาของทุกคำในบทถอดให้ สำหรับเสียงที่สร้างจากข้อความ Paxa TTS Flash v2 ส่งเวลามาพร้อมไฟล์เสียง ฝั่งถอดเสียงยังมี Deepgram, AssemblyAI, ElevenLabs, Amazon Transcribe, Google และ Soniox ที่ระบุเรื่องนี้ไว้ในเอกสาร ส่วนฝั่งเสียงพูดมี Cartesia, Microsoft Azure, Amazon Polly และ WellSaid

API ถอดเสียงเจ้าไหนส่งเวลาของทุกคำที่พูด#

แต่ละแถวลิงก์ไปยังเอกสารของผู้ให้บริการเอง และบอกเฉพาะสิ่งที่หน้านั้นเขียนไว้ ลำดับในตารางไม่ได้เรียงตามความชอบ

APIชื่อที่เอกสารใช้สิ่งที่ได้
Paxa STT Liteตั้ง timestamps เป็น wordอาร์เรย์ words หนึ่งรายการต่อหนึ่งคำเต็ม พร้อมเวลาเริ่มและเวลาจบเป็นวินาที ภาษาไทยตัดคำให้แล้ว
Deepgramอาร์เรย์ words ในคำตอบของไฟล์บันทึกเสียงแต่ละคำมี start และ end เป็นวินาทีนับจากต้นไฟล์
AssemblyAIอาร์เรย์ words ในบทถอดหนึ่งออบเจ็กต์ต่อหนึ่งคำในบทถอด แต่ละตัวมี start และ end
ElevenLabs Scribetimestamps_granularity ตั้งเป็น word หรือ characterแต่ละคำมี start และ end เป็นวินาที หรือได้เวลาของตัวอักษรในแต่ละคำ
Amazon Transcribeรายการ items ใน JSON ของบทถอดเวลาเริ่มและเวลาจบของทุกคำ
Google Chirp 3Timestamp ระดับคำบน BatchRecognizeรับเสียงได้ไม่เกิน 20 นาทีเมื่อเปิดใช้ และไม่เกินหนึ่งชั่วโมงเมื่อไม่เปิด
OpenAItimestamp_granularitiesTimestamp ระดับคำหรือระดับช่วง ใช้ได้เฉพาะกับ whisper-1
SonioxTimestamp ของ Tokenทุก Token มี start_ms และ end_ms โดย Token หนึ่งตัวเป็นคำเต็มหรือเป็นส่วนหนึ่งของคำ
SpeechmaticsWord timingsระบุไว้สำหรับโมเดลแบบ Batch

API Text to Speech เจ้าไหนส่ง Timestamp ระดับคำมาพร้อมเสียง#

เสียงที่สร้างจากข้อความต้องใช้เวลาของแต่ละคำเพื่อทำซับและทำตัวอักษรวิ่งตามเสียง แต่ละเจ้าส่งข้อมูลนี้คนละรูปแบบ บางเจ้าส่งมาในคำตอบเดียวกับไฟล์เสียง บางเจ้าส่งเป็นอีเวนต์หรือเป็นไฟล์แยก

APIชื่อที่เอกสารใช้สิ่งที่ได้
Paxa TTS Flash v2ตั้ง timestamps เป็น word sentence หรือ utteranceช่วงเวลาพร้อมข้อความ เวลาเริ่ม และเวลาจบเป็นวินาที ในคำตอบเดียวกับไฟล์เสียง ข้อความภาษาไทยไม่ต้องเว้นวรรค
ElevenLabsเอนด์พอยต์ with-timestampsไฟล์เสียงแบบ base64 พร้อมเวลาเริ่มและเวลาจบของตัวอักษรแต่ละตัว
Cartesiaadd_timestampsเวลาระดับคำที่ส่งมาพร้อมเสียง
Microsoft Azureอีเวนต์ WordBoundary ใน Speech SDKตำแหน่งเวลาของคำ เครื่องหมายวรรคตอน และประโยคแต่ละตัวที่พูด
Amazon PollySpeech marksข้อมูลกำกับที่บอกว่าประโยคและคำเริ่มและจบตรงไหน คำขอ Speech marks ได้ข้อมูลกำกับกลับมา ส่วนไฟล์เสียงมาจากอีกคำขอหนึ่ง
WellSaidเอนด์พอยต์ word timingไฟล์ zip ที่มีไฟล์เสียงกับเวลาระดับคำในรูป JSON, SRT และ VTT

Timestamp ระดับคำหน้าตาเป็นอย่างไร#

แต่ละรายการมีข้อมูลสามอย่าง คือตัวคำ วินาทีที่เริ่มพูด และวินาทีที่พูดจบ บน Paxa STT Lite รายการเหล่านี้มาเป็นอาร์เรย์ words คู่กับบทถอด โดยนับเวลาตามนาฬิกาของไฟล์เสียงเอง เครื่องหมายวรรคตอนติดไปกับคำที่อยู่ข้างกัน เมื่อนำทุกรายการมาต่อกันจะได้บทถอดกลับมาครบทุกตัวอักษร

บน Paxa TTS Flash v2 โครงสร้างเดียวกันนี้เรียกว่าช่วงเวลา (span) คำขอเลือกได้ว่าจะรับหนึ่งช่วงต่อคำ ต่อประโยค หรือต่อช่วงพูดระหว่างจังหวะหยุด คู่มือ Timestamp แสดงคำตอบทั้งชุด และคู่มือถอดเสียงแสดงอาร์เรย์ของไฟล์บันทึกเสียง

Timestamp ระดับคำเอาไปทำอะไรได้บ้าง#

  • ทำซับและคำบรรยาย แต่ละบรรทัดขึ้นและหายตรงกับคำที่พูด ข้อความบนจอจึงตรงกับเสียง เครื่องมือสร้างซับคืนไฟล์ SRT หรือ WebVTT ที่ทำด้วยวิธีนี้
  • ตัวอักษรวิ่งตามเสียง บทเรียน บทความ หรือเนื้อเพลงคาราโอเกะสว่างขึ้นทีละคำตามเสียงอ่าน หน้าซับไตเติลมีตัวอย่างให้ฟัง
  • ค้นหาในไฟล์เสียง พิมพ์วลีที่ต้องการแล้วกระโดดไปยังวินาทีที่พูดในไฟล์ประชุมหรือพอดแคสต์
  • ตัดต่อเสียงจากข้อความ ลบประโยคออกจากบทถอด แล้วได้จุดตัดของประโยคเดียวกันในไฟล์เสียง
  • ลิปซิงก์และแอนิเมชัน ปากของตัวละคร การเปลี่ยนสไลด์ หรือเอฟเฟกต์ของซับขยับตามเวลาของแต่ละคำ

ทำไมภาษาไทยและภาษาจีนต้องให้ API ตัดสินว่าคำหนึ่งคำอยู่ตรงไหน#

ภาษาอังกฤษเว้นวรรคระหว่างคำ ทุกคนจึงเห็นตรงกันว่าคำหนึ่งจบตรงไหน ส่วนภาษาไทยและภาษาจีนเขียนติดกันโดยไม่เว้นวรรคระหว่างคำ API ที่จะบอกเวลาของข้อความแบบนี้ต้องตัดสินก่อนว่าแต่ละคำจบตรงไหน แล้วจึงให้เวลากับคำนั้นได้ บางเจ้าส่งเวลาของตัวอักษรหรือ Token แต่ละตัว นักพัฒนาจึงต้องนำชิ้นส่วนมาต่อเป็นคำเอง

Paxa STT Lite ตัดคำภาษาไทยให้ และแต่ละรายการครอบคลุมหนึ่งคำเต็ม คำภาษาอังกฤษและตัวเลขที่อยู่ในประโยคไทยก็มาทั้งคำเช่นกัน บรรทัดของซับขึ้นบรรทัดใหม่ตรงรอยต่อคำเหล่านี้ คำไทยจึงไม่ถูกหั่นไปอยู่สองบรรทัด คู่มือทำซับไทยจาก Timestamp ระดับคำพาทำไฟล์ซับทีละขั้น ส่วนเสียงที่พูดหลายภาษาปนกัน ดูได้ที่API ถอดเสียงสำหรับเสียงหลายภาษา

Timestamp ระดับคำราคาเท่าไร#

ฝั่งถอดเสียงไม่มีค่าใช้จ่ายเพิ่ม Paxa STT Lite คิด 8.33 เครดิตต่อนาทีของเสียง หรือ $0.50 ต่อชั่วโมง เท่ากันทั้งเมื่อขอและไม่ขอ Timestamp ระดับคำ หมายเลขผู้พูด หรือไฟล์ซับ ฝั่งเสียงพูด คำขอที่ขอ Timestamp คิด 1.25 เท่าของอัตราเสียงพูด โดย Paxa TTS Flash v2 คิด 10 เครดิตต่อ 1,000 ตัวอักษร หรือ $10 ต่อหนึ่งล้านตัวอักษร ก่อนคูณตัวคูณนี้

บัญชีใหม่ได้เครดิตฟรี 100 เครดิตโดยไม่ต้องผูกบัตร ถอดเสียงได้ประมาณ 12 นาที อัตราของผู้ให้บริการรายอื่นอยู่ที่หน้าเปรียบเทียบ API ถอดเสียงและหน้าเปรียบเทียบ API Text to Speech

ลอง Timestamp ระดับคำโดยไม่ต้องเขียนโค้ดได้อย่างไร#

  • อัปโหลดไฟล์เสียงเข้าเครื่องมือถอดเสียง แล้วเปิด Timestamp ระดับคำ ผลลัพธ์แสดงแต่ละคำพร้อมเวลา และดาวน์โหลดไฟล์ซับได้จากหน้าเดียวกัน
  • วางสคริปต์ในเครื่องมือเสียงพูด แล้วเปิด Timestamp คำจะสว่างขึ้นตามที่เสียงอ่าน

อ่านอะไรต่อดี#

คำถามที่พบบ่อย#

API ไหนส่งเวลาของทุกคำที่พูด#

สำหรับไฟล์บันทึกเสียง Paxa STT Lite ส่งเวลาเริ่มและเวลาจบของทุกคำเมื่อตั้ง timestamps เป็น word เอกสารของ Deepgram, AssemblyAI, ElevenLabs Scribe และ Amazon Transcribe ก็ระบุเวลาเริ่มและเวลาจบรายคำไว้เช่นกัน สำหรับเสียงที่สร้างจากข้อความ Paxa TTS Flash v2 และ Cartesia ส่งเวลาระดับคำมาพร้อมเสียง

ราคาเท่าไร#

Timestamp ระดับคำของบทถอดรวมอยู่ใน 8.33 เครดิตต่อนาทีที่ Paxa STT Lite คิดอยู่แล้ว ส่วนบน Paxa TTS Flash v2 คำขอที่ขอ Timestamp คิด 1.25 เท่าของอัตราเสียงพูด

OpenAI ส่ง Timestamp ระดับคำไหม#

คู่มือถอดเสียงของ OpenAI รองรับ timestamp_granularities เฉพาะกับ whisper-1 และคู่มือถอดเสียงแบบเรียลไทม์ระบุว่า gpt-live-transcribe ไม่ส่ง Timestamp ระดับคำ เอนด์พอยต์ถอดเสียงของ Paxa ที่เข้ากันได้กับ OpenAI ส่งรายการคำเมื่อ timestamp_granularities ระบุ word และการเชื่อมต่อเสียงพูดแบบสดก็มีข้อมูลเวลาเช่นกัน

Timestamp ระดับคำใช้กับภาษาไทยได้ไหม#

ได้ Paxa STT Lite ตัดคำภาษาไทยก่อนให้เวลากับแต่ละคำ และ Paxa TTS Flash v2 ทำแบบเดียวกันกับข้อความที่อ่าน ข้อความไม่ต้องเว้นวรรคเพิ่ม

ต้องขอ Timestamp ระดับคำก่อนไหม ถ้าต้องการไฟล์ซับ#

ไม่ต้อง ขอไฟล์ SRT หรือ WebVTT จาก Paxa STT Lite ได้เลย ระบบอ่านเวลาของคำให้เอง ถ้าขอทั้งสองอย่างจะได้ไฟล์ซับและรายการคำในคำตอบเดียว โดยไม่มีค่าใช้จ่ายเพิ่ม

อ่านต่อ

คู่มืออื่น