Anvendelsestilfælde for lydtransskription
På denne side
Kurset opdateret 3. november 2026 til Voxtral 3, baseret på Mistral’s Migrate from Voxtral 2-guide: Voxtral 2-modellerne (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), der blev udfaset 31. oktober 2026 og trukket tilbage 30. april 2027, erstattes i eksemplerne afvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3ogvoxtral-mini-tts-3-0. Vigtige ændringer: Tidsstempling kun på segmentniveau (wordreturnerer en 400-fejl), support for realtids-diarisering, indstillinger for realtidssessioner låses efter den første lydbid, og fleksiblecontext_bias-input (fraser med mellemrum). Kilder: Migrate from Voxtral 2 · Speech to Text.
Hvorfor automatisere lydtransskription
Automatisk transskription omdanner en lydstrøm til struktureret, brugbar tekst. Med Voxtrals nuværende ydeevne er fejlprocenten lav nok til direkte anvendelse i mange professionelle sammenhænge uden udtømmende korrekturlæsning. Denne detalje ændrer den økonomiske ligning: Så længe gennemgang linje for linje er nødvendig, flytter automatisering blot arbejdet i stedet for at eliminere det.
Anvendelsestilfældene nedenfor har én fællesnævner: Hvert af dem afhænger af en specifik API-parameter. At lære at genkende dem sparer dig for manuelt at genopbygge det, som modellen allerede producerer.
Automatisk undertekstning
Undertekstning er den mest direkte anvendelse. Voxtral Mini Transcribe 3’s tidsstempling på segmentniveau giver start- og sluttidspunkt for hvert transskriptionssegment, hvilket er tilstrækkeligt til at generere SRT- eller VTT-filer synkroniseret med talen. Du aktiverer dette output med timestamp_granularities=["segment"]; tidsstempling på ordniveau, som var tilgængelig i Voxtral 2, returnerer nu en 400-fejl. Hvis et segment er for langt til skærmen, opdeler du det yderligere på klientsiden.
I praksis bruger en e-læringsorganisation dette til at undertekste sin videokatalog, en statslig myndighed til at gøre indhold tilgængeligt for døve og hørehæmmede brugere, og et forlag til at producere flersprogede undertekster ved at kæde transskription og oversættelse sammen. Til live-webinarer eller konferencer er behovet identisk, men skifter til Voxtral Realtime, da filen ikke er tilgængelig, når underteksterne skal vises.
Eksempel: Generering af SRT-undertekster
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"]
)
# Generer en SRT-fil: én undertekst 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}"
Referater fra møder
Kombinationen af transskription + diarisering gør Voxtral til et seriøst værktøj til automatiske mødereferater. Modellen identificerer hver taler og producerer en transskription struktureret efter deltager, hvorimod en flad transskription tvinger læseren til at gætte på, hvem der taler. To parametre er nok: diarize=True for at adskille talere og timestamp_granularities=["segment"] for at opnå tidsblokke.
Et team bruger dette til ugentlige statusmøder, en bestyrelse til udvalgsmøder, og en kvalitetsafdeling til at arkivere og søge i mødehistorik. Den diariserede tekst fungerer også som råmateriale til automatisk at udtrække beslutninger og handlingspunkter.
Typisk arbejdsgang
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Hvert segment indeholder: speaker, start, end, text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
Du kan derefter sende resultatet til en LLM (f.eks. Mistral Large 3) for at udtrække et resumé, trufne beslutninger og handlingspunkter.
Podcasts og interviews
Podcasts og interviews er langtidsindhold – fra tredive minutter til over to timer – med to til fem deltagere. Voxtral skelner værten fra gæsterne ved hjælp af diarisering og respekterer talernavne og fagspecifikt jargon takket være kontekstbias. Til de længste optagelser skal du huske på kontekstvinduet, som deles mellem lyd og ordforråd: En anmodning, der overskrider dette, afvises med en 400-fejl (intet bliver trunkeret); del i stedet lyden op.
En podcast-producent bruger dette til at generere en fuld transskription offentliggjort som artikel, fuldtekstindeksering til søgbare arkiver, automatisk genererede show notes og citater klar til klipning til sociale medier. Den samme lydfil fodrer således fire forskellige leverancer.
Digital tilgængelighed
Automatisk transskription er en hjørnesten i digital tilgængelighed, som er påbudt af European Accessibility Act (juni 2025). Undertekstning af videoindhold er nu et lovkrav, sammen med transskription af voicemail-beskeder til tekst, levering af tekstbeskrivelser af lydindhold – hvilket i øvrigt gavner SEO – og vedligeholdelse af tilgængelige arkiver over optagelser.
Voxtral lader dig automatisere disse forpligtelser i stor skala med en marginal omkostning per minut lyd, der er langt lavere end ved menneskelig transskription. For et katalog på flere hundrede timer er det forskellen mellem en budgetteret implementering af overholdelse og en, der udskydes på ubestemt tid.
Andre anvendelser
| Sektor | Typisk anvendelsestilfælde |
|---|---|
| Callcentre | Transskription og analyse af kundesamtaler til kvalitetsovervågning |
| Sundhedsvæsen | Diktering af rapporter med kontekstbias til specialiseret ordforråd |
| Jura | Transskription af retsmøder og vidneafhøringer |
| Uddannelse | Transskription af forelæsninger til studerende |
| Journalistik | Hurtig transskription af feltinterviews |
Før du skriver nogen kode, skal du identificere det anvendelsestilfælde i denne liste, der ligner dit eget mest, og notere de parametre, det kræver. Det er denne kombination – ikke modellen alene – der bestemmer kvaliteten af dit resultat.
Vigtige pointer
- Undertekstning bruger tidsstempling på segmentniveau til at generere SRT/VTT-filer
- Mødereferater kombinerer diarisering og segmenteret transskription
- Podcasts og interviews drager fordel af support til lang lyd (3 timer) og kontekstbias
- Digital tilgængelighed er et lovkrav, som Voxtral hjælper med at automatisere
- Hvert anvendelsestilfælde afhænger af specifikke Voxtral API-parametre