Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Případy použití přepisu zvuku

Lekce 3 z 16 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Proč automatizovat přepis zvuku
  2. Automatické titulky
  3. Zápis ze schůzek
  4. Podcasty a rozhovory
  5. Digitální přístupnost
  6. Další aplikace
  7. Klíčové poznatky

Kurz aktualizován 3. listopadu 2026 pro Voxtral 3 na základě průvodce Mistralu Migrate from Voxtral 2: Modely Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), které byly 31. října 2026 označeny jako zastaralé a 30. dubna 2027 vyřazeny z provozu, jsou v příkladech nahrazeny modely voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 a voxtral-mini-tts-3-0. Klíčové změny: časové razítkování pouze na úrovni segmentů (word vrací chybu 400), podpora diarizace v reálném čase, nastavení relace v reálném čase uzamčená po prvním zvukovém úseku a flexibilní vstupy context_bias (fráze s mezerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.

Proč automatizovat přepis zvuku

Automatický přepis převádí zvukový tok na strukturovaný a použitelný text. Díky současnému výkonu modelu Voxtral je míra chyb tak nízká, že výsledky lze v mnoha profesionálních kontextech použít přímo bez zdlouhavé korektury. Tento detail mění ekonomickou rovnici: dokud je nutná kontrola řádek po řádcích, automatizace pouze přesouvá práci, místo aby ji eliminovala.

Níže uvedené případy použití mají společný rys: každý z nich spoléhá na konkrétní parametr API. Naučit se je rozpoznávat tě ušetří manuální重建ování toho, co model již produkuje.

Automatické titulky

Titulky jsou nej přímější aplikací. Časové razítkování na úrovni segmentů modelu Voxtral Mini Transcribe 3 poskytuje čas začátku a konce každého segmentu přepisu, což stačí k vygenerování souborů SRT nebo VTT synchronizovaných s řečí. Tento výstup povolíš pomocí timestamp_granularities=["segment"]; časové razítkování na úrovni slov, dostupné ve Voxtral 2, nyní vrací chybu 400. Pokud je segment pro obrazovku příliš dlouhý, rozdělíš jej dále na straně klienta.

V praxi to organizace zabývající se e-learningem využívají k titulkování svého videokatalogu, vládní agentury ke zpřístupnění obsahu neslyšícím a nedoslýchavým uživatelům a vydavatelé k tvorbě vícejazyčných titulků řetězením přepisu a překladu. U živých webinářů nebo konferencí je potřeba totožná, ale přesouvá se k Voxtral Realtime, protože soubor není v okamžiku, kdy se mají titulky objevit, k dispozici.

Příklad: generování titulků SRT

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}"

Zápis ze schůzek

Kombinace přepisu a diarizace činí z Voxtralu vážný nástroj pro automatický zápis ze schůzek. Model identifikuje každého mluvčího a vytváří přepis strukturovaný podle účastníků, zatímco plochý přepis nutí čtenáře hádat, kdo mluví. Stačí dva parametry: diarize=True pro oddělení mluvčích a timestamp_granularities=["segment"] pro získání časových bloků.

Tým to využívá pro týdenní kontrolní schůzky, představenstvo pro zasedání výborů a oddělení kvality pro archivaci a vyhledávání v historii schůzek. Text s diarizací také slouží jako surový materiál pro automatickou extrakci rozhodnutí a úkolů.

Typický pracovní postup

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}")

Výsledek pak můžeš odeslat do LLM (například Mistral Large 3), aby extrahoval shrnutí, přijatá rozhodnutí a úkoly.

Podcasty a rozhovory

Podcasty a rozhovory jsou dlouhé formáty obsahu – od třiceti minut do více než dvou hodin – se dvěma až pěti účastníky. Voxtral rozlišuje moderátora od hostů pomocí diarizace a díky kontextovému zkreslení respektuje jména mluvčích i odborný žargon specifický pro dané téma. U nejdelších nahrávek měj na paměti kontextové okno, které je sdíleno mezi zvukem a slovní zásobou: požadavek, který jej překročí, bude zamítnut s chybou 400 (nic není oříznuto); místo toho rozděl zvuk.

Producent podcastů to využívá k generování úplného přepisu publikovaného jako článek, k fulltextovému indexování pro vyhledávatelné archivy, k automaticky generovaným poznámkám k epizodě a k citátům připraveným k vystřižení pro sociální sítě. Jeden zvukový soubor tak napájí čtyři různé výstupy.

Digitální přístupnost

Automatický přepis je pilířem digitální přístupnosti, kterou vyžaduje Evropský akt o přístupnosti (červen 2025). Titulkování videoobsahu je nyní zákonnou povinností, stejně jako přepis hlasových zpráv do textu, poskytování textových popisů zvukového obsahu – což mimochodem prospívá SEO – a udržování přístupných archivů nahrávek.

Voxtral ti umožňuje automatizovat tyto povinnosti ve velkém měřítku, s marginálními náklady za minutu zvuku výrazně nižšími než u lidského přepisu. U katalogu o délce několika set hodin je to rozdíl mezi rozpočtovaným nasazením souladu s předpisy a tím, které je donekonečna odkládáno.

Další aplikace

SektorTypický případ použití
Call centraPřepis a analýza hovorů se zákazníky pro monitorování kvality
ZdravotnictvíDiktování zpráv s kontextovým zkreslením pro specializovanou slovní zásobu
PrávoPřepis soudních jednání a výpovědí
VzděláváníPřepis přednášek pro studenty
NovinářstvíRychlý přepis terénních rozhovorů

Než napíšeš jakýkoli kód, identifikuj případ použití z tohoto seznamu, který je ti nejbližší, a zaznamenej si parametry, které vyžaduje. Právě tato kombinace – nikoli samotný model – určuje kvalitu tvého výsledku.

Klíčové poznatky

  • Titulky využívají časové razítkování na úrovni segmentů k generování souborů SRT/VTT
  • Zápis ze schůzek kombinuje diarizaci a segmentovaný přepis
  • Podcasty a rozhovory těží z podpory dlouhého zvuku (3 hodiny) a kontextového zkreslení
  • Digitální přístupnost je zákonný požadavek, který Voxtral pomáhá automatizovat
  • Každý případ použití spoléhá na specifické parametry API Voxtralu