Премини към основното съдържание
Български— Изберете език
Меню

Офлайн срещу реално време: Ръководство за избор

Урок 14 от 16 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Два режима, две философии
  2. Пълно сравнение
  3. Как да изберете
  4. Каква е цената на всеки режим
  5. Хибриден конвейер: От живо към отчет
  6. Ключови изводи

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, деактивирани на 31 октомври 2026 г. и премахнати на 30 април 2027 г.) са заменени в примерите с voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 и voxtral-mini-tts-3-0. Основни промени: временните марки са само за сегменти (word връща грешка 400), разграничаването на говорещите е възможно в реално време, настройките на сесията в реално време се фиксират след първия аудио чанк, а входовете за context_bias са в свободен формат (допуска се използването на фрази с интервали). Източници: Migrate from Voxtral 2 · Speech to Text.

Два режима, две философии

Voxtral предлага два подхода за транскрибиране, които се различават не по качество, а по своята същност. Изборът между тях не е технически детайл, който да коригирате в края на проекта. Той определя наличните функции, начина, по който пишете кода си, incurred разходите и потребителското изживяване, което предоставяте. Този урок Ви дава фактите, необходими за този избор, за да се придържате към него и дори да комбинирате двата режима, когато това има смисъл.

Пълно сравнение

КритерийОфлайн (Пакетна обработка)Реално време (Потоково)
МоделVoxtral Mini (или Small) Transcribe 3Voxtral Mini Transcribe Realtime 3
ЛатентностСекунди до минути (в зависимост от продължителността)Конфигурируемо забавяне от 80 ms до 1.2 s, или 2.4 s
Лимит на аудиотоКонтекстен прозорец, споделен с context_biasНепрекъсната сесия
Разграничаване на говорещите (Diarization)Да, с времеви марки за сегментиДа, без времеви марки; не е налично при откриване на край на реплика
Контекстно пристрастяване (Context Biasing)Да (списък с термини, позволени фрази)Да, в конфигурацията на сесията
Времеви маркиНа сегмент (без ниво на дума)Не
Откриване на край на репликаНеДа
Аудио форматОбщи файлови формати16-bit моно PCM (по подразбиране 16 kHz)
Езици5045 езика и диалекта
Цена към 3 ноември 2026 г.$0.0035/мин (Mini), $0.004/мин (Small)$0.008/мин
ПрограмиранеСинхронно (опростено)Асинхронно (async/await)
Основен случай на употребаЗаписани файловеАудио на живо

Внимателният поглед върху тази таблица разкрива какво наистина разделя двата режима. Офлайн е единственият режим, който поставя времеви марки на всеки сегмент, защото вижда цялото аудио, преди да отговори. Реалното време е единственият режим, който открива краищата на репликите и връща текст, докато някой говори. Вие не избирате между пълна версия и олекотена версия. Вие избирате между два начина за обслужване на потребителя: след факта или в момента.

Как да изберете

Офлайн режимът е очевидният избор, когато обработвате аудио файлове, които вече съществуват – архивирани срещи, подкасти, интервюта – тъй като аудиото е пълно и няма полза от изкуственото му разделяне на части. Това е единствената Ви опция, ако трябва да идентифицирате говорещите, тъй като разграничаването на говорещите остава недостъпно за потоковата обработка. Това е и правилният избор, ако Вашата област изисква специализирана терминология, която трябва да се насочи чрез контекстно пристрастяване, или ако се нуждаете от прецизни времеви марки за последващо създаване на субтитри за видео. Накрая, този режим Ви спестява всякаква предварителна конверсия, когато източниците Ви идват в различни формати, и се превръща в очевиден избор, когато латентността не е критична: отложена обработка, нощни пакетни задачи, архивни конвейери.

Режимът в реално време става необходим, когато аудиото пристига непрекъснато, от микрофон или мрежов поток, което означава, че няма файл за изпращане. Той е задължителен, когато резултатите трябва да са налични за по-малко от секунда, както при гласов асистент, инструмент за диктовка или субтитри на живо за конференция или уебинар. Две други стратегически причини могат да обусловят избора независимо от латентността: внедряване на място (on-premise) или на ръба на мрежата (edge), възможно благодарение на отворените тегла, и изискванията за суверенитет, когато никакви данни не трябва да напускат Вашата инфраструктура.

Съществува и трети път, често най-добрият: комбиниране на двете. Можете да субтитрирате конференция в реално време, след което да обработите записа офлайн, за да произведете чисти субтитри с времеви марки. Можете да показвате транскрипция на живо по време на среща, след което да стартирате офлайн обработка с разграничаване на говорещите, за да атрибутирате всяка реплика на съответния говорител. Можете да диктувате в реално време, след което да обработите файла офлайн за преглед и корекции. Реалното време обслужва момента; офлайн режимът обслужва документа.

Каква е цената на всеки режим

Двата режима не споделят една и съща ценова структура. Към април 2026 г. ценообразуването на Mistral AI се базира на продължителността на обработеното аудио. Офлайн режимът обикновено е по-евтин на минута, защото пакетната обработка е оптимизирана, докато реалното време носи надбавка за постоянната WebSocket връзка и непрекъснатата обработка.

Три навика намаляват разходите, без да се жертва каквото и да е. В офлайн режим групирайте файловете си, за да ограничите броя на API заявките. В режим на реално време затваряйте връзката веднага щом говорът спре, вместо да я оставяте отворена „за всеки случай“: забравена сесия консумира ресурси, без да произвежда резултат. Най-важното е винаги да се питате дали обработката на живо е наистина необходима – ако реалното време не добавя стойност за потребителя, офлайн режимът е едновременно по-евтин и по-богат на функции.

Хибриден конвейер: От живо към отчет

Кодът по-долу показва хибридния модел в най-честата му форма: среща. По време на сесията потокът в реално време захранва дисплея: участниците виждат как текстът се превърта, никой не чака. След като срещата приключи, същото аудио, сега налично като пълен файл, се обработва отново офлайн с diarize=True и времеви марки на ниво сегмент, произвеждайки отчет, който атрибутира всяка реплика на нейния говорител. Двете извиквания не се конкурират; те се допълват. Първото служи за непосредственост; второто – за проследимост.

import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
    AudioFormat,
    TranscriptionStreamTextDelta,
    TranscriptionStreamDone
)

async def hybrid_pipeline(realtime_audio_source, complete_file_path):
    """
    1. Транскрибиране в реално време за незабавно показване
    2. Офлайн транскрибиране за краен отчет с разграничаване на говорещите
    """
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Фаза 1: Реално време (по време на срещата)
    print("=== ТРАНСКРИБИРАНЕ НА ЖИВО ===\n")
    audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)

    async for event in client.audio.realtime.transcribe_stream(
        audio_stream=realtime_audio_source,
        model="voxtral-mini-transcribe-realtime-3",
        audio_format=audio_format,
        target_streaming_delay_ms=800,
    ):
        if isinstance(event, TranscriptionStreamTextDelta):
            print(event.text, end="", flush=True)
        elif isinstance(event, TranscriptionStreamDone):
            break

    # Фаза 2: Офлайн (след срещата)
    print("\n\n=== ДЕТАЙЛЕН АНАЛИЗ ===\n")

    with open(complete_file_path, "rb") as f:
        response = client.audio.transcriptions.complete(
            model="voxtral-mini-transcribe-3",
            file={"content": f, "file_name": complete_file_path},
            diarize=True,
            timestamp_granularities=["segment"]
        )

    for seg in response.segments:
        print(f"[{seg.speaker_id}] ({seg.start:.1f}s) {seg.text}")

    return response

Обърнете внимание на практическото ограничение, което този модел налага: трябва да записвате аудиото успоредно със стрийминга, тъй като чанковете, консумирани от потока в реално време, не се запазват. Планирайте това записване на диск от самото начало, в противен случай офлайн фазата няма да има какво да обработи.

Ключови изводи

  • Офлайн режимът е отличен за записани файлове с разграничаване на говорещите и времеви марки
  • Режимът в реално време е отличен за аудио на живо с ултра-ниска латентност
  • Двата режима могат да бъдат комбинирани в хибриден конвейер
  • Офлайн режимът е по-богат на функции (разграничаване на говорещите, контекстно пристрастяване, времеви марки)
  • Режимът в реално време е по-гъвкав за внедряване (отворени тегла, edge)
  • Избирайте въз основа на аудио източника (файл срещу живо) и изискваните функции