Σύλληψη του μικροφώνου με το PyAudio
Σε αυτήν τη σελίδα
Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 για το Voxtral 3, βάσει του οδηγού Migrate from Voxtral 2 της Mistral: τα μοντέλα Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), που αποσύρθηκαν στις 31 Οκτωβρίου 2026 και θα απενεργοποιηθούν οριστικά στις 30 Απριλίου 2027, αντικαθίστανται στα παραδείγματα από ταvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3καιvoxtral-mini-tts-3-0. Βασικές αλλαγές: οι χρονοσημάνσεις αφορούν μόνο τμήματα (τοwordεπιστρέφει σφάλμα 400), υποστηρίζεται η διάκριση ομιλητών σε πραγματικό χρόνο, οι ρυθμίσεις συνεδρίας πραγματικού χρόνου κλειδώνουν μετά το πρώτο κομμάτι ήχου και οι είσοδοιcontext_biasείναι ευέλικτες (φράσεις με κενά). Πηγές: Migrate from Voxtral 2 · Speech to Text.
Από αρχείο σε μικρόφωνο
Το προηγούμενο μάθημα καθιέρωσε μια αρχιτεκτονική όπου η πηγή ήχου είναι μια απλή, εναλλάξιμη ασύγχρονη γεννήτρια. Θα το αξιοποιήσετε άμεσα: αντικαθιστώντας τη γεννήτρια ανάγνωσης αρχείου με μία που διαβάζει από την κάρτα ήχου σας, το πρόγραμμά σας θα ξεκινήσει να απομαγνητοφωνεί τη φωνή σας ζωντανά, χωρίς να αλλάξετε ούτε μία γραμμή στον υπόλοιπο κώδικα.
Το εργαλείο για αυτό το μάθημα είναι το PyAudio, η τυπική βιβλιοθήκη Python για πρόσβαση σε συσκευές ήχου. Βασίζεται στο PortAudio, ένα επίπεδο native που ενδέχεται να χρειαστεί να εγκαταστήσετε ξεχωριστά, ανάλογα με το σύστημά σας.
Εγκατάσταση του PyAudio
# Linux (Debian/Ubuntu)
sudo apt-get install portaudio19-dev
pip install pyaudio
# macOS
brew install portaudio
pip install pyaudio
# Windows
pip install pyaudio
Η γεννήτρια μικροφώνου
Ο πυρήνας αυτού του μαθήματος χωράει σε περίπου τριάντα γραμμές. Η συνάρτηση ανοίγει μια ροή εισόδου στην προεπιλεγμένη συσκευή, εκτελεί έναν ατέρμονο βρόχο διαβάζοντας μπλοκ σταθερού μεγέθους και παραδίδει το καθένα στη μηχανή απομαγνητοφώνησης. Το μπλοκ finally δεν είναι διακοσμητικό: εγγυάται ότι η ροή θα σταματήσει, θα κλείσει και το PyAudio θα απελευθερώσει το υλικό, ακόμα και αν το πρόγραμμα διακοπεί απότομα. Χωρίς αυτό, το μικρόφωνο μπορεί να παραμείνει κλειδωμένο, εμποδίζοντας άλλες εφαρμογές.
import asyncio
import pyaudio
async def iter_microphone(
sample_rate: int = 16000,
chunk_duration_ms: int = 480
):
"""Σύλληψη του μικροφώνου και απόδοση κομματιών PCM.
Args:
sample_rate: Ρυθμός δειγματοληψίας (16000 Hz για το Voxtral)
chunk_duration_ms: Διάρκεια κάθε κομματιού σε χιλιοστά του δευτερολέπτου
Yields:
bytes: Κομμάτια ήχου PCM 16-bit mono
"""
p = pyaudio.PyAudio()
# Αριθμός δειγμάτων ανά κομμάτι
chunk_samples = int(sample_rate * chunk_duration_ms / 1000)
# Άνοιγμα της ροής μικροφώνου
stream = p.open(
format=pyaudio.paInt16, # 16-bit PCM
channels=1, # Mono
rate=sample_rate, # 16 kHz
input=True, # Λειτουργία σύλληψης
frames_per_buffer=chunk_samples
)
loop = asyncio.get_running_loop()
try:
print("Μικρόφωνο ενεργό — μιλήστε...")
while True:
# Ανάγνωση του κομματιού χωρίς αποκλεισμό
data = await loop.run_in_executor(
None,
stream.read,
chunk_samples,
False # exception_on_overflow
)
yield data
finally:
stream.stop_stream()
stream.close()
p.terminate()
print("Μικρόφωνο έκλεισε")
Κάθε παράμετρος έχει έναν συγκεκριμένο λόγο. Το sample_rate=16000 αντανακλά μια απαίτηση του μοντέλου, όχι μια προτίμηση: το Voxtral αναμένει 16 kHz, οπότε μην αλλάξετε αυτή την τιμή. Το pyaudio.paInt16 αντιστοιχεί στη μορφή signed 16-bit PCM, ακριβώς ισοδύναμη με το pcm_s16le που δηλώνεται στην πλευρά του API, και το channels=1 επιβάλλει το mono, το οποίο είναι επίσης απαραίτητο. Απομένει το chunk_duration_ms=480, η μόνη πραγματικά συζητήσιμη ρύθμιση: κάθε κομμάτι αντιπροσωπεύει 480 χιλιοστά του δευτερολέπτου ήχου, ένας καλός συμβιβασμός μεταξύ ανταπόκρισης και δικτυακής απόδοσης. Ένα μικρότερο κομμάτι, π.χ. 100 ms, βελτιώνει την ανταπόκριση αλλά πολλαπλασιάζει τα αιτήματα δικτύου· ένα μεγαλύτερο κομμάτι εξοικονομεί εύρος ζώνης εις βάρος της αυξημένης καθυστέρησης πριν το μοντέλο δει τον ήχο.
Η κλήση loop.run_in_executor αξίζει επίσης εξήγηση. Η stream.read είναι μια συνάρτηση αποκλεισμού (blocking): κρατάει το νήμα μέχρι να είναι διαθέσιμος ο ζητούμενος αριθμός δειγμάτων. Η εκτέλεσή της απευθείας σε μια coroutine θα πάγωνε ολόκληρο τον βρόχο asyncio, συμπεριλαμβανομένης της λήψης γεγονότων απομαγνητοφώνησης. Αναθέτοντάς την σε έναν executor, καθιστάτε την ανάγνωση συμβατή με το υπόλοιπο ασύγχρονο πρόγραμμα.
Ο υπολογισμός του μεγέθους του μπλοκ προκύπτει μηχανικά από τις δύο ρυθμίσεις, για sample_rate=16000 και chunk_duration_ms=480:
chunk_samples = 16000 × 480 / 1000 = 7680 δείγματα
byte_size = 7680 × 2 bytes = 15360 bytes ανά κομμάτι
Πλήρες πρόγραμμα: Από το μικρόφωνο στην απομαγνητοφώνηση
Το παρακάτω σενάριο συνδυάζει τη σύλληψη και την απομαγνητοφώνηση σε ένα έτοιμο προς χρήση εργαλείο υπαγόρευσης. Το νέο στοιχείο σε σχέση με την προηγούμενη γεννήτρια είναι ο καθαρός χειρισμός τερματισμού: ένας χειριστής σήματος interceptάρει το Ctrl+C, αλλάζει τη σημαία running σε False, γεγονός που εξέρχεται από τον βρόχο σύλληψης, κλείνει τη ροή και επιτρέπει στο πρόγραμμα να αποθηκεύσει το συσσωρευμένο κείμενο. Χωρίς αυτόν τον μηχανισμό, μια διακοπή πληκτρολογίου θα σκότωνε τη διαδικασία πριν την αποθήκευση και θα χάνατε την υπαγόρευση.
import asyncio
import os
import signal
from mistralai.client import Mistral
from mistralai.client.models import (
AudioFormat,
TranscriptionStreamTextDelta,
TranscriptionStreamDone
)
import pyaudio
# Σημαία για καθαρό τερματισμό
running = True
def signal_handler(sig, frame):
global running
print("\n\nΤερματισμός λειτουργίας...")
running = False
signal.signal(signal.SIGINT, signal_handler)
async def iter_microphone(sample_rate=16000, chunk_duration_ms=480):
"""Σύλληψη του μικροφώνου μέχρι τη διακοπή (Ctrl+C)."""
p = pyaudio.PyAudio()
chunk_samples = int(sample_rate * chunk_duration_ms / 1000)
stream = p.open(
format=pyaudio.paInt16,
channels=1,
rate=sample_rate,
input=True,
frames_per_buffer=chunk_samples
)
loop = asyncio.get_running_loop()
try:
while running:
data = await loop.run_in_executor(
None, stream.read, chunk_samples, False
)
yield data
finally:
stream.stop_stream()
stream.close()
p.terminate()
async def main():
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
print("=" * 50)
print("ΑΠΟΜΑΓΝΗΤΟΦΩΝΗΣΗ ΣΕ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ")
print("Μιλήστε στο μικρόφωνο (Ctrl+C για διακοπή)")
print("=" * 50)
print()
full_text = []
async for event in client.audio.realtime.transcribe_stream(
audio_stream=iter_microphone(),
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
):
if isinstance(event, TranscriptionStreamTextDelta):
print(event.text, end="", flush=True)
full_text.append(event.text)
elif isinstance(event, TranscriptionStreamDone):
break
# Αποθήκευση
final_text = "".join(full_text)
if final_text.strip():
with open("dictee.txt", "w", encoding="utf-8") as f:
f.write(final_text)
print(f"\n\nΗ απομαγνητοφώνηση αποθηκεύτηκε στο dictee.txt")
print(f"Μήκος: {len(final_text)} χαρακτήρες")
else:
print("\n\nΔεν απομαγνητοφωνήθηκε κείμενο.")
asyncio.run(main())
Εκτελέστε το, μιλήστε, σταματήστε με Ctrl+C: το κείμενο εμφανίζεται καθώς μιλάτε και καταλήγει στο dictee.txt.
python dictee_vocale.py
# Μιλήστε στο μικρόφωνό σας
# Το κείμενο εμφανίζεται σε πραγματικό χρόνο
# Ctrl+C για διακοπή
Δοκιμάστε το με περίπου τριάντα δευτερόλεπτα συνεχόμενων γαλλικών, αλλάζοντας τον ρυθμό σας, και συγκρίνετε αυτά που είπατε με αυτά που περιέχει το αρχείο. Είναι ο καλύτερος τρόπος να βαθμονομήσετε τις προσδοκίες σας πριν ρυθμίσετε την καθυστέρηση στο επόμενο μάθημα.
Επιλογή της σωστής συσκευής
Σε έναν υπολογιστή με ενσωματωμένο μικρόφωνο, ακουστικά USB και webcam, η προεπιλεγμένη συσκευή δεν είναι πάντα αυτή που νομίζετε και μια κενή απομαγνητοφώνηση συνήθως οφείλεται σε αυτή τη λεπτομέρεια. Αρχικά,αναφέρει τις διαθέσιμες εισόδους με τον δείκτη τους:
def list_microphones():
"""Λίστα όλων των διαθέσιμων συσκευών εισόδου ήχου."""
p = pyaudio.PyAudio()
print("Διαθέσιμες συσκευές εισόδου:")
for i in range(p.get_device_count()):
info = p.get_device_info_by_index(i)
if info["maxInputChannels"] > 0:
print(f" [{i}] {info['name']} "
f"(κανάλια: {info['maxInputChannels']}, "
fρυθμός: {int(info['defaultSampleRate'])} Hz)")
p.terminate()
list_microphones()
Στη συνέχεια, απλώς επιβάλλετε τον επιλεγμένο δείκτη κατά το άνοιγμα της ροής, μέσω της παραμέτρου input_device_index:
stream = p.open(
format=pyaudio.paInt16,
channels=1,
rate=sample_rate,
input=True,
input_device_index=2, # Δείκτης συσκευής
frames_per_buffer=chunk_samples
)
Βασικά σημεία
- Το PyAudio συλλαμβάνει το μικρόφωνο σε 16-bit mono PCM στα 16 kHz, ακριβώς όπως αναμένει το Voxtral
- Η γεννήτρια
iter_microphoneπαραδίδει κομμάτια 480 ms από προεπιλογή - Το
loop.run_in_executorκαθιστά την ανάγνωση του μικροφώνου μη αποκλειστική στο asyncio - Το Ctrl+C σταματά καθαρά τη σύλληψη μέσω ενός χειριστή σήματος
- Καταγράψτε τις συσκευές με το
get_device_count()για να επιλέξετε το σωστό μικρόφωνο