Časové značky a temporální segmentace
Na této stránce
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 zastaralé k 31. říjnu 2026 a vyřazené k 30. dubnu 2027, jsou v příkladech nahrazeny modelyvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3avoxtral-mini-tts-3-0. Klíčové změny: časové značky jsou pouze na úrovni segmentů (wordvrací chybu 400), diarizace je možná v reálném čase, nastavení relace v reálném čase jsou uzamčena po prvním zvukovém úseku a vstupycontext_biasjsou volného formátu (fráze s mezerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.
Strukturování přepisu v čase
Surový přepis je užitečný, ale přepis s časovými značkami otevírá mnohem bohatší možnosti: titulky, temporální navigaci, synchronizaci videa a extrakci konkrétních pasáží. Bez časových značek vyžaduje nalezení okamžiku, kdy se ve dvouhodinovém záznamu diskutovalo o rozpočtu, hádání; s nimi je to prosté vyhledání textu následované kliknutím. Parametr timestamp_granularities ve Voxtralu ti dává tuto moc.
Granularita segmentu: Blok řeči
Segment je souvislý blok řeči – typicky věta nebo skupina vět vyslovených bez významné pauzy. Toto je granularita, kterou zvolíš ve výchozím nastavení, protože odpovídá přirozené jednotce čtení.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
with open("conference.mp3", "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": "conference.mp3"},
timestamp_granularities=["segment"]
)
# Iterace přes segmenty
for seg in response.segments:
start = f"{seg.start:.1f}s"
end = f"{seg.end:.1f}s"
print(f"[{start} → {end}] {seg.text}")
Výstup vypadá takto:
[0.0s → 4.2s] Hello everyone, thank you for being here today.
[4.5s → 11.8s] We will cover the quarter's results and the outlook for the future.
[12.1s → 18.3s] Let's start with revenue, which has grown by twelve percent.
Toto rozdělení podporuje navigaci v dlouhých záznamech, zobrazování bloků titulků a indexování pasáží: každý segment se stává vyhledatelným záznamem se svým vstupním bodem v audiu.
Co s granularitou na úrovni slov?
Voxtral 2 uměl také označovat časem každé slovo (timestamp_granularities=["word"]). Voxtral 3 to již nenabízí: granularita word vrací chybu 400 a migrační průvodce Mistralu instruuje uživatele k přechodu na segmenty. Případy použití, které vyžadovaly zarovnání slovo od slova – titulky ve stylu karaoke, zvýrazňování aktuálního slova, jemná analýza rychlosti řeči – se nyní musí spoléhat na segmenty, případně rozdělením času segmentu mezi jeho slova pomocí odhadu na straně klienta.
def estimer_mots(segment):
"""Rozdělí délku trvání segmentu mezi jeho slova úměrně jejich délce (odhad)."""
mots = segment.text.split()
if not mots or segment.start is None or segment.end is None:
return []
total = sum(len(m) for m in mots)
debut, duree = segment.start, segment.end - segment.start
resultat = []
for mot in mots:
fin = debut + duree * len(mot) / total
resultat.append((round(debut, 2), round(fin, 2), mot))
debut = fin
return resultat
Jedná se o aproximaci, užitečnou pro progresivní zobrazení, ale ne pro prozodickou analýzu: pokud je přesné zarovnání slov zásadní, řešením zůstává specializovaný nástroj pro vynucené zarovnání aplikovaný po přepisu.
Generování titulků ve formátu SRT
Formát SRT není žádná záhada: pořadové číslo, časový rozsah ve formátu HH:MM:SS,mmm, text a prázdný řádek. Níže uvedená funkce iteruje přes segmenty a rozděluje ty, které by překročily komfortní šířku zobrazení, zde nastavenou na šedesát znaků.
def generate_srt_from_segments(segments, max_chars=60):
"""Generuje soubor SRT ze segmentů Voxtral."""
srt_lines = []
counter = 1
for seg in segments:
words = seg.text.strip()
if not words:
continue
# Rozdělení příliš dlouhých segmentů
sub_text = words.split()
word = ""
for format_srt_time in sub_text:
if len(word) + len(format_srt_time) + 1 > max_chars and word:
srt_lines.append(str(counter))
srt_lines.append(
f"{seconds(seg.start)} --> "
f"{seconds(seg.end)}"
)
srt_lines.append(word.strip())
srt_lines.append("")
counter += 1
word = format_srt_time
else:
word += " " + format_srt_time
if word.strip():
srt_lines.append(str(counter))
srt_lines.append(
f"{seconds(seg.start)} --> "
f"{seconds(seg.end)}"
)
srt_lines.append(word.strip())
srt_lines.append("")
counter += 1
return "\n".join(srt_lines)
def seconds(secondes):
"""Převede sekundy na formát SRT (HH:MM:SS,mmm)."""
h = int(secondes // 3600)
m = int((secondes % 3600) // 60)
s = int(secondes % 60)
ms = int((secondes % 1) * 1000)
return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
# Použití
srt_contenu = generate_srt_from_segments(response.segments)
with open("sous_titres.srt", "w", encoding="utf-8") as f:
f.write(srt_contenu)
print("Soubor SRT byl úspěšně vygenerován")
Navigace v dlouhých záznamech
Další přímou aplikací segmentů je vytváření temporálního souhrnu. Následující skript označí kontrolní bod každých pět minut a zobrazí první několik slov, čímž poskytne čtenáři mapu záznamu ještě před tím, než si ho vůbec poslechne.
def create_temporal_index(segments, interval_minutes=5):
"""Vytvoří index každých N minut."""
index = []
next_milestone = 0
for seg in segments:
if seg.debut >= next_milestone * 60:
minutes = int(seg.debut // 60)
seconds = int(seg.debut % 60)
preview = seg.text[:80] + "..." if len(seg.text) > 80 else seg.text
index.append(f"[{minutes:02d}:{seconds:02d}] {preview}")
next_milestone = minutes + interval_minutes
return index
# Použití
for entry in create_temporal_index(response.segments, interval_minutes=5):
print(entry)
U Voxtralu 2 byl parametr timestamp_granularities nekompatibilní s parametrem language. Dokumentace Voxtralu 3 tuto restrikci již nezmiňuje: před kombinací obou parametrů v produkčním zpracování si to ověř testem.
Klíčové poznatky
- Pouze jedna granularita s Voxtral 3:
"segment"("word"vrací chybu 400) - Zarovnání slovo od slova, pokud je nutné, se odhaduje ze segmentů nebo řeší nástrojem pro zarovnání
- Časové značky jsou v sekundách (desetinná čísla), s
startaendpro každý segment - Ideální pro titulky SRT/VTT, temporální navigaci a indexování
- Nekompatibilita s
languagez Voxtralu 2 již není zdokumentována: ověř si to testem