泰语书写不留空格#
在英语里，词级时间戳几乎不费成本。空格已经标出了词在哪里，剩下的工作是把已知的边界和音频对齐，这谁都能做。
泰文把词一个挨一个写在一起，中间没有任何间隔。一句话就是一串连续的字符，一个词在哪里结束，要由读者根据这些词是什么来判断。只有先把这个判断做对，泰语的时间段才可能存在。
泰语里的一个词级时间段，证明文本已经被读懂。
这正是模型当初要解决的问题，在这里变成了一项您能听到的功能。
一段带时间信息的音频#
Nom Yen 使用 Paxa TTS Flash v2，开启了时间信息。词语随着说出依次亮起，依据的是请求随音频片段一同返回的时间段。
Nom Yen0:07三种请求方式#
合适的粒度就是您的播放器需要的那一种。粒度越粗越容易处理，而每种粒度的价格都相同。
word用于卡拉 OK 和跟读
每个词都有开始和结束时间。文字与音频同步高亮靠的就是它，语言学习应用也用它告诉学习者读到了哪里。
sentence用于字幕
每句一个时间段，这正是字幕行切分的单位。大多数字幕流程要的正是这一级，不必更细。
utterance用于配音和混音
整段发言一个时间段。它回答语音在文件里从哪里开始、到哪里结束，剪辑师据此把声音对齐到画面上。
无论哪种粒度，返回的音频都相同，时间段与音频在同一个响应里一起返回。
为已有的录音计时#
同样的问题也可以反过来看。一段泰语录音到手时完全没有文字，而字幕文件既需要词语，也需要每个词开始的秒数。转写稿上的词级时间段，是对词在哪里结束的同一种判断，只不过是在没有文字可读的情况下，从音频里做出的。
开启词级时间戳的语音转文字，返回覆盖完整泰语词的时间段。逐个字符为泰语计时的引擎，交回的时间段没法切成字幕条。转写稿和它的时间段在同一个响应里一起返回。
请求字幕文件，返回的就是写好的文件。字幕条在换人说话、句子结束和停顿处切开。换行落在词的边界上，在一种不留空格的文字里，这是按字符计数做不到的。SubRip 或 WebVTT 均可，行长由您设定，与转写稿在同一个响应里返回。
录音最长 60 分钟，泰语优先，其他语言按原话转写。词级时间戳和字幕文件都不影响收费。
阅读语音转文字页面先按长度翻译，再按时间朗读#
把外国视频做成泰语字幕，通常是两项工作，分属两家服务商。两项都在这里，而且第二项读取的就是第一项写出的内容。
在长度限制内翻译这一行
字幕框能容纳的字符数是固定的，而泰语译文很少和原文一样长。翻译接受每个片段的最大长度，把泰语压缩到合适的长度，同时不截断意思。
开启时间信息朗读
这行泰语送去语音合成，同时请求时间戳。返回的是音频和时间段，在同一个响应里，彼此本来就一致。
根据时间段生成文件
您的字幕或配音文件根据时间段写出。事后不需要任何对齐，因为时间信息和音频出自同一次处理。
单独做对齐，往往是字幕流程耗掉整晚的地方。这里没有什么需要对齐，时间信息和音频是一起生成的。
时间戳参考文档常见问题#
时间段是事后对齐的，还是和音频一起生成的？
和音频一起生成。时间段和音频出自同一次处理，在同一个响应里返回。没有对齐步骤，两者之间也不会产生偏移。
流式请求时能拿到时间信息吗？
可以。开启时间信息的流式请求会返回按行分隔的事件，每个时间段只传输一次，跟随它所属的数据块。
粒度会影响价格吗？
不会。词级、句级和整段发言级的时间信息费用相同，无论选哪种，音频都一样。
混合泰语和英语的文本也能用吗？
可以，词级时间段的价值正体现在这里。泰语句子里的英文产品名是泰语词中间的一个词，也按一个词计时。每个请求的文本最长 5,000 个字符。
能从录音里拿到词级时间戳吗？
可以。语音转文字接收最长 60 分钟的录音，返回的转写稿里每个泰语词都带有起止秒数。这是同一种时间段对象，只是从音频中读出。
能用于会说话的虚拟形象吗？
可以。词级时间段正是嘴型要读取的信息。请求词级时间信息，用时间段的边界驱动口型，脸部动画和音频就共用同一个时钟。