Anwendungsfälle für die Audio-Transkription
Auf dieser Seite
Kurs aktualisiert am 3. November 2026 für Voxtral 3, basierend auf Mistral’s Migrate from Voxtral 2-Guide: Die Voxtral 2-Modelle (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), die am 31. Oktober 2026 deprecated und am 30. April 2027 zurückgezogen wurden, werden in den Beispielen durchvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3undvoxtral-mini-tts-3-0ersetzt. Wesentliche Änderungen: Nur Zeitstempel auf Segmentebene (wordgibt einen 400-Fehler zurück), Unterstützung für Echtzeit-Diarisierung, Echtzeit-Sitzungseinstellungen werden nach dem ersten Audio-Chunk gesperrt und flexiblecontext_bias-Eingaben (Phrasen mit Leerzeichen). Quellen: Migrate from Voxtral 2 · Speech to Text.
Warum Audio-Transkription automatisieren
Die automatische Transkription wandelt einen Audio-Stream in strukturierten, nutzbaren Text um. Mit der aktuellen Leistungsfähigkeit von Voxtral ist die Fehlerrate in vielen professionellen Kontexten niedrig genug, um den Text ohne aufwendige Korrektur direkt zu verwenden. Dieses Detail verändert die wirtschaftliche Gleichung: Solange eine Zeile-für-Zeile-Überprüfung notwendig bleibt, verschiebt Automatisierung lediglich die Arbeit, statt sie zu eliminieren.
Die unten aufgeführten Anwendungsfälle haben ein gemeinsames Merkmal: Jeder beruht auf einem spezifischen API-Parameter. Das Erlernen ihrer Erkennung spart Ihnen den manuellen Wiederaufbau dessen, was das Modell bereits erzeugt.
Automatische Untertitelung
Die Untertitelung ist die direkteste Anwendung. Die Zeitstempelung auf Segmentebene von Voxtral Mini Transcribe 3 liefert den Start- und Endzeitpunkt jedes Transkriptionssegments, was ausreicht, um SRT- oder VTT-Dateien zu generieren, die mit der Sprache synchronisiert sind. Sie aktivieren diese Ausgabe mit timestamp_granularities=["segment"]; die auf Wortebene verfügbare Zeitstempelung in Voxtral 2 gibt nun einen 400-Fehler zurück. Ist ein Segment zu lang für den Bildschirm, teilen Sie es auf der Client-Seite weiter auf.
In der Praxis nutzt eine E-Learning-Organisation dies, um ihren Videokatalog zu untertiteln, eine Regierungsbehörde, um Inhalte für gehörlose und schwerhörige Nutzer zugänglich zu machen, und ein Verlag, um mehrsprachige Untertitel durch Verkettung von Transkription und Übersetzung zu erstellen. Für Live-Webinare oder Konferenzen ist der Bedarf identisch, verschiebt sich aber zu Voxtral Realtime, da die Datei nicht verfügbar ist, wenn Untertitel erscheinen müssen.
Beispiel: Generierung von SRT-Untertiteln
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"]
)
# Generierung einer SRT-Datei: ein Untertitel pro 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}"
Protokolle für Meetings
Die Kombination aus Transkription + Diarisierung macht Voxtral zu einem ernstzunehmenden Werkzeug für automatische Meeting-Protokolle. Das Modell identifiziert jeden Sprecher und erstellt eine Transkription, die nach Teilnehmer strukturiert ist, wohingegen eine flache Transkription den Leser zwingt, zu erraten, wer spricht. Zwei Parameter genügen: diarize=True, um Sprecher zu trennen, und timestamp_granularities=["segment"], um Zeitblöcke zu erhalten.
Ein Team nutzt dies für wöchentliche Check-ins, ein Vorstandsgremium für Ausschusssitzungen und eine Qualitätsabteilung, um Meeting-Geschichte zu archivieren und zu durchsuchen. Der diariserte Text dient zudem als Rohmaterial für die automatische Extraktion von Entscheidungen und Aufgabenpunkten.
Typischer Arbeitsablauf
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Jedes Segment enthält: Sprecher, Start, Ende, Text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
Sie können das Ergebnis dann an ein LLM (z. B. Mistral Large 3) senden, um eine Zusammenfassung, getroffene Entscheidungen und Aufgabenpunkte zu extrahieren.
Podcasts und Interviews
Podcasts und Interviews sind langformiger Inhalt – von dreißig Minuten bis über zwei Stunden – mit zwei bis fünf Teilnehmern. Voxtral unterscheidet Host und Gäste mithilfe der Diarisierung und berücksichtigt Sprecherbezeichnungen sowie fachspezifischen Jargon dank der Kontextverzerrung (context biasing). Bei den längsten Aufnahmen behalten Sie das Kontextfenster im Auge, das zwischen Audio und Vokabular geteilt wird: Eine Anfrage, die dies überschreitet, wird mit einem 400-Fehler abgelehnt (nichts wird abgeschnitten); teilen Sie das Audio stattdessen.
Ein Podcast-Produzent nutzt dies, um eine vollständige Transkription zu generieren, die als Artikel veröffentlicht wird, eine Volltextindizierung für durchsuchbare Archive, automatisch generierte Show-Notes und Zitate, die für soziale Medien gekürzt werden können. Die gleiche Audio-Datei speist somit vier verschiedene Liefergegenstände.
Digitale Barrierefreiheit
Die automatische Transkription ist ein Pfeiler der digitalen Barrierefreiheit, die durch den European Accessibility Act (Juni 2025) vorgeschrieben ist. Die Untertitelung von Videoinhalten ist nun eine gesetzliche Verpflichtung, zusammen mit der Transkription von Anrufbeantwortern in Text, der Bereitstellung von Textbeschreibungen von Audioinhalten – was zufällig auch das SEO begünstigt – und der Aufrechterhaltung zugänglicher Archive von Aufnahmen.
Voxtral ermöglicht es Ihnen, diese Verpflichtungen im großen Maßstab zu automatisieren, mit einer marginalen Kosten pro Minute Audio, die weit niedriger ist als bei der menschlichen Transkription. Für einen Katalog von mehreren hundert Stunden ist dies der Unterschied zwischen einem budgetierten Compliance-Rollout und einem, der unendlich verschoben wird.
Weitere Anwendungen
| Sektor | Typischer Anwendungsfall |
|---|---|
| Call-Center | Transkription und Analyse von Kundenkonversationen zur Qualitätsüberwachung |
| Gesundheitswesen | Diktieren von Berichten mit Kontextverzerrung für spezialisiertes Vokabular |
| Recht | Transkription von Verhandlungen und Vernehmungen |
| Bildung | Transkription von Vorlesungen für Studierende |
| Journalismus | Schnelle Transkription von Feldinterviews |
Bevor Sie Code schreiben, identifizieren Sie den in dieser Liste am nächsten liegenden Anwendungsfall und notieren Sie die erforderlichen Parameter. Diese Kombination – nicht das Modell allein – bestimmt Ihre Ergebnisqualität.
Kernaussagen
- Die Untertitelung verwendet Zeitstempel auf Segmentebene, um SRT/VTT-Dateien zu generieren
- Meeting-Protokolle kombinieren Diarisierung und segmentierte Transkription
- Podcasts und Interviews profitieren von der Unterstützung für lange Audioaufnahmen (3 h) und der Kontextverzerrung
- Digitale Barrierefreiheit ist eine gesetzliche Verpflichtung, die Voxtral bei der Automatisierung hilft
- Jeder Anwendungsfall beruht auf spezifischen Voxtral-API-Parametern