Прихващане на микрофона с PyAudio
На тази страница
Курсът е актуализиран на 3 ноември 2026 г. за Voxtral 3, въз основа на ръководството на Mistral Migrate from Voxtral 2: Моделите Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603, депрекирани на 31 октомври 2026 г. и премахнати на 30 април 2027 г.) са заменени в примерите сvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3иvoxtral-mini-tts-3-0. Основни промени: временните марки са само за сегменти (wordвръща грешка 400), поддържа се диаризация в реално време, настройките на сесията в реално време се заключват след първия аудио чънк, а входовете заcontext_biasса гъвкави (фрази с интервали). Източници: Migrate from Voxtral 2 · Speech to Text.
От файл към микрофон
Предишният урок установи архитектура, при която аудио източникът е прост, взаимозаменяем асинхронен генератор. Вие ще се възползвате от това веднага: чрез замяна на генератора, който чете от файл, с такъв, който чете от звуковата ви карта, програмата Ви започва да транскрибира гласа Ви на живо, без да променяте нито един ред от останалата част на кода.
Инструментът за този урок е PyAudio, стандартната библиотека на Python за достъп до аудио устройства. Тя разчита на PortAudio, нативен слой, който може да се наложи да инсталирате отделно в зависимост от Вашата система.
Инсталиране на PyAudio
# Linux (Debian/Ubuntu)
sudo apt-get install portaudio19-dev
pip install pyaudio
# macOS
brew install portaudio
pip install pyaudio
# Windows
pip install pyaudio
Генераторът за микрофон
Същината на този урок се събира в около тридесет реда. Функцията отваря входен поток към устройството по подразбиране, влиза в безкраен цикъл, четейки блокове с фиксиран размер, и предава всеки от тях на двигателя за транскрипция. Блокът finally не е декоративен: той гарантира, че потокът спира, затваря се и PyAudio освобождава хардуера, дори ако програмата бъде прекъсната рязко. Без него микрофонът може да остане заключен, блокирайки други приложения.
import asyncio
import pyaudio
async def iter_microphone(
sample_rate: int = 16000,
chunk_duration_ms: int = 480
):
"""Capture the microphone and yield PCM chunks.
Args:
sample_rate: Sampling rate (16000 Hz for Voxtral)
chunk_duration_ms: Duration of each chunk in milliseconds
Yields:
bytes: 16-bit mono PCM audio chunks
"""
p = pyaudio.PyAudio()
# Number of samples per chunk
chunk_samples = int(sample_rate * chunk_duration_ms / 1000)
# Open the microphone stream
stream = p.open(
format=pyaudio.paInt16, # 16-bit PCM
channels=1, # Mono
rate=sample_rate, # 16 kHz
input=True, # Capture mode
frames_per_buffer=chunk_samples
)
loop = asyncio.get_running_loop()
try:
print("Microphone active — speak...")
while True:
# Read the chunk non-blocking
data = await loop.run_in_executor(
None,
stream.read,
chunk_samples,
False # exception_on_overflow
)
yield data
finally:
stream.stop_stream()
stream.close()
p.terminate()
print("Microphone closed")
Всеки параметър има конкретна причина. sample_rate=16000 отразява изискване на модела, а не предпочитание: Voxtral очаква 16 kHz, така че не променяйте тази стойност. pyaudio.paInt16 съответства на форматирането signed 16-bit PCM, което е напълно еквивалентно на обявеното от страната на API pcm_s16le, а channels=1 налага моно, което също е задължително. Остава chunk_duration_ms=480, единствената наистина обсъждаема настройка: всеки чънк представлява 480 милисекунди аудио, добър компромис между отзивчивост и мрежова ефективност. По-къс чънк, да речем 100 мс, подобрява отзивчивостта, но умножава мрежовите заявки; по-дълъг чънк пести честотна лента за сметка на добавена латентност, преди моделът да види аудиото.
Извикването на loop.run_in_executor също заслужава обяснение. stream.read е блокираща функция: тя задържа нишката, докато не стане наличен поисканият брой проби. Изпълнението ѝ директно в корутина би замразило целия цикъл на asyncio, включително получаването на събития за транскрипция. Чрез прехвърлянето ѝ към изпълнител (executor), Вие правите четенето съвместимо с останалата част от асинхронната програма.
Изчислението на размера на блока следва механично от двете настройки, за sample_rate=16000 и chunk_duration_ms=480:
chunk_samples = 16000 × 480 / 1000 = 7680 samples
byte_size = 7680 × 2 bytes = 15360 bytes per chunk
Пълна програма: От микрофон към транскрипция
Следващият скрипт комбинира улавянето и транскрипцията в готов за употреба инструмент за диктовка. Новият елемент в сравнение с предишния генератор е чистото обработване на спиране: обработчик на сигнали прихваща Ctrl+C, обръща флага running на False, което излиза от цикъла на улавяне, затваря потока и позволява на програмата да запази натрупания текст. Без този механизъм прекъсване от клавиатурата би убило процеса преди запазването и Вие бихте загубили диктовката.
import asyncio
import os
import signal
from mistralai.client import Mistral
from mistralai.client.models import (
AudioFormat,
TranscriptionStreamTextDelta,
TranscriptionStreamDone
)
import pyaudio
# Flag for clean shutdown
running = True
def signal_handler(sig, frame):
global running
print("\n\nShutting down...")
running = False
signal.signal(signal.SIGINT, signal_handler)
async def iter_microphone(sample_rate=16000, chunk_duration_ms=480):
"""Capture the microphone until interrupted (Ctrl+C)."""
p = pyaudio.PyAudio()
chunk_samples = int(sample_rate * chunk_duration_ms / 1000)
stream = p.open(
format=pyaudio.paInt16,
channels=1,
rate=sample_rate,
input=True,
frames_per_buffer=chunk_samples
)
loop = asyncio.get_running_loop()
try:
while running:
data = await loop.run_in_executor(
None, stream.read, chunk_samples, False
)
yield data
finally:
stream.stop_stream()
stream.close()
p.terminate()
async def main():
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
print("=" * 50)
print("LIVE TRANSCRIPTION")
print("Speak into the microphone (Ctrl+C to stop)")
print("=" * 50)
print()
full_text = []
async for event in client.audio.realtime.transcribe_stream(
audio_stream=iter_microphone(),
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
):
if isinstance(event, TranscriptionStreamTextDelta):
print(event.text, end="", flush=True)
full_text.append(event.text)
elif isinstance(event, TranscriptionStreamDone):
break
# Save
final_text = "".join(full_text)
if final_text.strip():
with open("dictee.txt", "w", encoding="utf-8") as f:
f.write(final_text)
print(f"\n\nTranscription saved to dictee.txt")
print(f"Length: {len(final_text)} characters")
else:
print("\n\nNo text transcribed.")
asyncio.run(main())
Стартирайте го, говорете, спрете с Ctrl+C: текстът се появява, докато говорите, и след това попада във файла dictee.txt.
python dictee_vocale.py
# Speak into your microphone
# Text appears in real time
# Ctrl+C to stop
Опитайте го с около тридесет секунди непрекъснат френски език, варирайки темпото си, и сравнете казаното от Вас със съдържанието на файла. Това е най-добрият начин да калибрирате очакванията си, преди да настроите латентността в следващия урок.
Избор на правилното устройство
На машина с вграден микрофон, USB слушалки и уеб камера, устройството по подразбиране не винаги е това, което мислите, а една празна транскрипция обикновено се свежда до този детайл. Първо, избройте наличните входове с техния индекс:
def list_microphones():
"""List all available audio input devices."""
p = pyaudio.PyAudio()
print("Available input devices:")
for i in range(p.get_device_count()):
info = p.get_device_info_by_index(i)
if info["maxInputChannels"] > 0:
print(f" [{i}] {info['name']} "
f"(channels: {info['maxInputChannels']}, "
f"rate: {int(info['defaultSampleRate'])} Hz)")
p.terminate()
list_microphones()
След това просто наложете избрания индекс при отваряне на потока, чрез параметъра input_device_index:
stream = p.open(
format=pyaudio.paInt16,
channels=1,
rate=sample_rate,
input=True,
input_device_index=2, # Device index
frames_per_buffer=chunk_samples
)
Ключови изводи
- PyAudio улавя микрофона в 16-битов моно PCM при 16 kHz, точно както очаква Voxtral
- Генераторът
iter_microphoneпредава чънкове от 480 мс по подразбиране loop.run_in_executorправи четенето от микрофона неблокиращо в asyncio- Ctrl+C спира чисто улавянето чрез обработчик на сигнали
- Избройте устройствата с
get_device_count(), за да изберете правилния микрофон