定義
単語単位タイムスタンプとは、音声を文字起こしする際に各単語ごとの発話開始・終了時刻をミリ秒単位で記録する技術のこと。
単語単位タイムスタンプ (Word-level Timestamps)とは（詳しく解説）
音声認識(ASR)における単語単位タイムスタンプは、Whisperをはじめとする主要モデルがAPIオプションとして提供する機能で、文単位の書き起こしに加えて各単語の発話開始・終了時刻をミリ秒精度で返す。字幕の自動生成、動画編集ソフトのキャプション同期、ポッドキャストの検索可能なトランスクリプト作成などで広く使われている。2026年時点の実運用では、話者が重なる箇所や早口・方言の音声で単語境界がずれやすく、そのまま字幕に流用すると表示タイミングがズレる落とし穴があるとされる。相場感としては単語単位タイムスタンプ付き文字起こしAPIは音声1分あたり数円程度で提供されることが多く、コストは通常の文字起こしとほぼ変わらない。現場での選び方としては、精度だけでなく無音区間や音楽区間での誤検出への耐性、出力フォーマット(SRT/VTT/JSON)の柔軟性を比較するのが有効とされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「単語単位タイムスタンプ (Word-level Timestamps)とは」 https://aipicks.jp/glossary/word-timestamps
単語単位タイムスタンプ (Word-level Timestamps)の使用例
- 動画編集ソフトで単語単位タイムスタンプを使い、話者の発話に合わせて字幕を1単語ずつハイライト表示するアニメーション字幕を作成する。
- 文字起こしAPIに音声ファイルを送り、返却されたJSONの単語ごとのstart/endタイムスタンプを使って検索可能なトランスクリプトページを作る。
