Варианти на употреба за аудио транскрипция
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, деактивирани 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: маркиране на времевите интервали само на ниво сегмент (wordвръща грешка 400), поддръжка на диаризация в реално време, настройките на сесията в реално време се заключват след първия аудио чанк и гъвкави входове заcontext_bias(фрази с интервали). Източници: Migrate from Voxtral 2 · Speech to Text.
Защо да автоматизирате аудио транскрипцията
Автоматичната транскрипция преобразува аудио поток в структуриран и използваем текст. С текущата производителност на Voxtral, процентът на грешки е достатъчно нисък за директна употреба в много професионални контексти без изчерпателна коректура. Този детайл променя икономическото уравнение: докато е необходим преглед ред по ред, автоматизацията просто премества работата, вместо да я елиминира.
Вариантите на употреба по-долу споделят обща черта: всеки разчита на специфичен параметър на API. Научаването да ги разпознавате Ви спестява ръчното изграждане на нещо, което моделът вече произвежда.
Автоматично създаване на субтитри
Субтитрирането е най-директното приложение. Маркирането на времевите интервали на ниво сегмент на Voxtral Mini Transcribe 3 предоставя началния и крайния час на всеки транскрибиран сегмент, което е достатъчно за генериране на синхронизирани със speech файлове SRT или VTT. Активирате този изход с timestamp_granularities=["segment"]; маркирането на времевите интервали на ниво дума, налично във Voxtral 2, сега връща грешка 400. Ако даден сегмент е твърде дълъг за екрана, го разделяте допълнително на клиентска страна.
На практика организация за е-обучение използва това за субтитриране на своя видео каталог, държавна агенция – за достъпност на съдържанието за глухи и хора с увреден слух, а издател – за производство на многоезични субтитри чрез верижна транскрипция и превод. За уебинари или конференции на живо нуждата е идентична, но преминава към Voxtral Realtime, тъй като файлът не е наличен в момента, в който субтитрите трябва да се появят.
Пример: генериране на SRT субтитри
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("video_audio.mp3", "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": "video_audio.mp3"},
timestamp_granularities=["segment"]
)
# Generate an SRT file: one subtitle per segment
def to_srt(segments):
srt_lines = []
for idx, seg in enumerate(segments, 1):
srt_lines.append(f"{idx}")
srt_lines.append(f"{format_time(seg.start)} --> {format_time(seg.end)}")
srt_lines.append(seg.text.strip())
srt_lines.append("")
return "\n".join(srt_lines)
def format_time(seconds):
h = int(seconds // 3600)
m = int((seconds % 3600) // 60)
s = int(seconds % 60)
ms = int((seconds % 1) * 1000)
return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
Протоколи от срещи
Комбинирането на транскрипция + диаризация прави Voxtral сериозен инструмент за автоматични протоколи от срещи. Моделът идентифицира всеки говорител и произвежда транскрипция, структурирана по участник, докато плоската транскрипция принуждава читателя да guessed кой говори. Достатъчни са два параметъра: diarize=True за разделяне на говорителите и timestamp_granularities=["segment"] за получаване на времеви блокове.
Екип използва това за седмични проверки, изпълнителен съвет – за комитетни заседания, а отдел „Качество“ – за архивиране и търсене в историята на срещите. Текстът с диаризация служи и като суров материал за автоматично извличане на решения и задачи за действие.
Типичен работен поток
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Each segment contains: speaker, start, end, text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
След това можете да изпратите резултата до LLM (например Mistral Large 3), за да извлечете обобщение, взети решения и задачи за действие.
Подкасти и интервюта
Подкастите и интервютата са дълги формати – от тридесет минути до над два часа – с двама до петима участници. Voxtral разграничава водещия от гостите чрез диаризация и уважава имената на говорителите и специфичния жаргон благодарение на контекстуалното пристрастяване (context biasing). За най-дългите записи имайте предвид прозореца на контекста, споделен между аудиото и речника: заявка, надвишаваща го, се отхвърля с грешка 400 (нищо не се съкращава); вместо това разделете аудиото.
Продуцент на подкаст използва това за генериране на пълна транскрипция, публикувана като статия, индексиране на пълен текст за архиви с възможност за търсене, автоматично генерирани бележки към епизода и цитати, готови за изрязване за социалните мрежи. Един и същ аудио файл така захранва четири различни крайни продукта.
Дигитална достъпност
Автоматичната транскрипция е стълб на дигиталната достъпност, наложена от Европейския акт за достъпност (юни 2025 г.). Субтитрирането на видео съдържание вече е законово изискване, наред с транскрибирането на гласова поща в текст, предоставянето на текстови описания на аудио съдържание – което между другото облагодетелства SEO – и поддържането на достъпни архиви от записи.
Voxtral Ви позволява да автоматизирате тези задължения в мащаб, с пределни разходи за минута аудио, далеч по-ниски от човешката транскрипция. За каталог от няколкостотин часа това е разликата между бюджетирано внедряване за съответствие и такова, отложено за неопределено време.
Други приложения
| Сектор | Типичен вариант на употреба |
|---|---|
| Call центрове | Транскрибиране и анализ на разговори с клиенти за мониторинг на качеството |
| Здравеопазване | Диктуване на доклади с контекстуално пристрастяване за специализирана терминология |
| Правна сфера | Транскрибиране на съдебни заседания и показания под клетва |
| Образование | Транскрибиране на лекции за студенти |
| Журналистика | Бързо транскрибиране на теренни интервюта |
Преди да напишете какъвто и да е код, идентифицирайте варианта на употреба, най-близък до Вашия в този списък, и отбележете необходимите параметри. Тази комбинация – а не самият модел – определя качеството на резултата Ви.
Ключови изводи
- Субтитрирането използва маркиране на времевите интервали на ниво сегмент за генериране на SRT/VTT файлове
- Протоколите от срещи комбинират диаризация и сегментирана транскрипция
- Подкастите и интервютата се възползват от поддръжката на дълго аудио (3 ч.) и контекстуалното пристрастяване
- Дигиталната достъпност е законово изискване, което Voxtral помага да се автоматизира
- Всеки вариант на употреба разчита на специфични параметри на Voxtral API