Βελτιστοποίηση για Παραγωγή
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 (wordεπιστρέφει σφάλμα 400), υποστηρίζεται η διάκριση ομιλητών σε πραγματικό χρόνο, οι ρυθμίσεις συνεδρίας πραγματικού χρόνου κλειδώνουν μετά το πρώτο κομμάτι ήχου και οι είσοδοιcontext_biasείναι ελεύθερης μορφής (φράσεις με κενά). Πηγές: Migrate from Voxtral 2 · Speech to Text.
Από το Πρωτότυπο στην Αξιόπιστη Υπηρεσία
Γνωρίζετε πώς να μεταγράφετε ήχο, τόσο ασύγχρονα όσο και σε πραγματικό χρόνο. Ωστόσο, η λειτουργία μιας υπηρεσίας που επεξεργάζεται εκατοντάδες αρχεία καθημερινά χωρίς ανθρώπινη επίβλεψη αποτελεί μια εντελώς διαφορετική πρόκληση, καθώς έρχεται αντιμέτωπη με καταστάσεις που ένα πρωτότυπο δεν συναντά ποτέ: ένα κατεστραμμένο αρχείο, υπέρβαση ορίου χρήσης, διακοπή δικτύου κατά τη μεταφόρτωση ή απότομη αύξηση του όγκου δεδομένων που ενεργοποιεί τον περιορισμό ρυθμού. Αυτό το μάθημα εξετάζει αυτές τις περιπτώσεις μία προς μία—διαχείριση σφαλμάτων, επεξεργασία παρτίδων, προετοιμασία αρχείων και παρατηρησιμότητα.
Διαχείριση Σφαλμάτων που Ξεχωρίζει τα Ανακτήσιμα από τα Θανατηφόρα
Ο πρώτος κανόνας είναι να μην αντιμετωπίζετε όλα τα σφάλματα με τον ίδιο τρόπο. Μια διακοπή δικτύου, μια λήξη χρονικού ορίου ή μια προσωρινή δυσλειτουργία αξίζουν μια νέα προσπάθεια· ένα αρχείο που δεν διαβάζεται ή ένα μη έγκυρο κλειδί API δεν θα διορθωθούν ποτέ μόνα τους, και η επανάληψή τους απλώς σπαταλά χρόνο και μολύνει τα αρχεία καταγραφής σας. Το παρακάτω wrapper υλοποιεί αυτή τη διάκριση μέσω μιας πλειάδας προσωρινών εξαιρέσεων: οτιδήποτε βρίσκεται στο ERREURS_TEMPORAIRES ενεργοποιεί επανάληψη, ενώ οτιδήποτε άλλο αποτυγχάνει άμεσα. Και στις δύο περιπτώσεις, η συνάρτηση επιστρέφει ένα λεξικό αντί να ρίχνει εξαίρεση, επιτρέποντας στην επεξεργασία παρτίδων να συνεχιστεί με τα υπόλοιπα αρχεία.
import os
import time
import logging
from pathlib import Path
from mistralai.client import Mistral
logger = logging.getLogger("voxtral")
# Εξαιρέσεις για επανάληψη
ERREURS_TEMPORAIRES = (
ConnectionError,
TimeoutError,
OSError,
)
def transcrire_avec_retry(
chemin_audio: str,
max_tentatives: int = 3,
delai_base: float = 2.0,
**kwargs
) -> dict:
"""Μεταγράφει ένα αρχείο με εκθετική επανάληψη."""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
fichier = Path(chemin_audio)
for tentative in range(1, max_tentatives + 1):
try:
with open(chemin_audio, "rb") as f:
response = client.audio.transcriptions.complete(
model=kwargs.get("model", "voxtral-mini-transcribe-3"),
file={"content": f, "file_name": fichier.name},
**{k: v for k, v in kwargs.items() if k != "model"}
)
return {
"succes": True,
"texte": response.text,
"fichier": chemin_audio,
"tentative": tentative,
}
except ERREURS_TEMPORAIRES as e:
if tentative < max_tentatives:
delai = delai_base * (2 ** (tentative - 1))
logger.warning(
f"Tentative {tentative}/{max_tentatives} échouée "
f"pour {fichier.name} : {e}. "
f"Retry dans {delai:.0f}s"
)
time.sleep(delai)
else:
logger.error(
f"Échec définitif pour {fichier.name} "
f"après {max_tentatives} tentatives : {e}"
)
return {
"succes": False,
"erreur": str(e),
"fichier": chemin_audio,
"tentative": tentative,
}
except Exception as e:
# Μη ανακτήσιμο σφάλμα (μη έγκυρο αρχείο, έλεγχος ταυτότητας κ.λπ.)
logger.error(f"Erreur fatale pour {fichier.name} : {e}")
return {
"succes": False,
"erreur": str(e),
"fichier": chemin_audio,
"tentative": tentative,
}
Η καθυστέρηση μεταξύ των προσπαθειών διπλασιάζεται με κάθε αποτυχία—δύο δευτερόλεπτα, μετά τέσσερα, μετά οκτώ—για να αποφευχθεί η υπερφόρτωση ενός API που ήδη δυσκολεύεται. Ωστόσο, αυτή η εκθετική οπισθοχώρηση έχει ένα ελάττωμα όταν έχετε πολλούς πελάτες: αν όλοι αποτύχουν την ίδια στιγμή, θα κάνουν επανάληψη όλοι ταυτόχρονα και το κύμα θα χτυπήσει την υπηρεσία μονομιάς. Το διορθώνουμε αυτό με το jitter, μια τυχαία διακύμανση που προστίθεται στην καθυστέρηση, η οποία αρκεί για να αποσυγχρονίσει τις προσπάθειες.
import random
delai = delai_base * (2 ** (tentative - 1))
jitter = random.uniform(0, delai * 0.25)
time.sleep(delai + jitter)
Επεξεργασία Παρτίδας Αρχείων Χωρίς Επίβλεψη
Η μεταγραφή διακοσίων ηχογραφήσεων το ένα μετά το άλλο είναι σπάταλη: ο περισσότερος χρόνος χάνεται στην αναμονή του δικτύου. Μια ομάδα εργαζομένων (worker pool) διαχειρίζεται πολλαπλές μεταγραφές ταυτόχρονα χωρίς να χάνεται η πρόοδος. Η παρακάτω συνάρτηση σαρώνει έναν φάκελο, κρατά γνωστές επεκτάσεις ήχου, υποβάλλει κάθε αρχείο στο wrapper επανάληψης που ορίσαμε παραπάνω και αποθηκεύει τη μεταγραφή μόλις φτάσει, αντί να περιμένει το τέλος: αν η διαδικασία καταρρεύσει στη μέση, ό,τι έχει επεξεργαστεί βρίσκεται ήδη στον δίσκο. Μια αναφορά JSON συνοψίζει τις επιτυχίες και τις αποτυχίες, επιτρέποντάς σας να επανεκκινήσετε μόνο ό,τι απέτυχε.
import os
import json
import logging
from pathlib import Path
from concurrent.futures import ThreadPoolExecutor, as_completed
logger = logging.getLogger("voxtral-batch")
def traiter_batch(
dossier_audio: str,
dossier_sortie: str,
max_workers: int = 4,
**kwargs_transcription
):
"""Μεταγράφει όλα τα αρχεία ήχου σε έναν φάκελο παράλληλα."""
dossier = Path(dossier_audio)
sortie = Path(dossier_sortie)
sortie.mkdir(parents=True, exist_ok=True)
# Εύρεση όλων των αρχείων ήχου
extensions = {".mp3", ".wav", ".flac", ".ogg", ".m4a", ".webm"}
fichiers = [
f for f in dossier.iterdir()
if f.suffix.lower() in extensions
]
if not fichiers:
logger.warning(f"Aucun fichier audio dans {dossier_audio}")
return []
logger.info(f"Traitement de {len(fichiers)} fichiers avec {max_workers} workers")
resultats = []
with ThreadPoolExecutor(max_workers=max_workers) as pool:
futures = {
pool.submit(
transcrire_avec_retry,
str(f),
**kwargs_transcription
): f
for f in fichiers
}
for i, future in enumerate(as_completed(futures), 1):
fichier = futures[future]
resultat = future.result()
resultats.append(resultat)
status = "OK" if resultat["succes"] else "ERREUR"
logger.info(
f"[{i}/{len(fichiers)}] {status} — {fichier.name}"
)
# Αποθήκευση της μεταγραφής
if resultat["succes"]:
nom_sortie = fichier.stem + ".txt"
(sortie / nom_sortie).write_text(
resultat["texte"], encoding="utf-8"
)
# Τελική αναφορά
succes = sum(1 for r in resultats if r["succes"])
echecs = len(resultats) - succes
logger.info(f"Terminé : {succes} succès, {echecs} échecs")
# Αποθήκευση της αναφοράς
rapport_path = sortie / "rapport_batch.json"
with open(rapport_path, "w", encoding="utf-8") as f:
json.dump(resultats, f, ensure_ascii=False, indent=2)
return resultats
# Χρήση
resultats = traiter_batch(
dossier_audio="enregistrements/",
dossier_sortie="transcriptions/",
max_workers=4,
diarize=True,
timestamp_granularities=["segment"]
)
Μην υποκύψετε στον πειρασμό να αυξήσετε το max_workers για να πάτε γρηγορότερα. Το API της Mistral επιβάλλει όρια στα αιτήματα ανά λεπτό και τέσσερις εργαζόμενοι συνήθως σας κρατούν κάτω από αυτό το όριο. Αν εμφανιστούν σφάλματα 429 (Too Many Requests) στα αρχεία καταγραφής σας, η απάντηση δεν είναι να προσπαθήσετε πιο έντονα, αλλά να μειώσετε τον αριθμό των εργαζομένων ή να εισαγάγετε μια καθυστέρηση μεταξύ των αιτημάτων.
Προετοιμασία Ήχου Εκ των Προτέρων
Η μορφή των αρχείων που στέλνετε επηρεάζει τόσο τον χρόνο μεταφόρτωσης όσο και την ποιότητα του τελικού κειμένου. Αν η πιστότητα είναι υψίστης σημασίας, επιμείνετε σε WAV ή FLAC, μορφές χωρίς απώλειες: το μοντέλο λαμβάνει όλες τις πληροφορίες ήχου. Για κοινή χρήση, το MP3 στα 128 kbps ή υψηλότερα προσφέρει τον καλύτερο συμβιβασμό, με ποιότητα περισσότερο από επαρκή για μεταγραφή και λογικό μέγεθος αρχείου. Και όταν το εύρος ζώνης είναι ο κυρίαρχος περιορισμός, το OGG Vorbis ή το MP3 στα 64 kbps παραμένουν απολύτως αποδεκτά για ομιλία, η οποία διαφέρει πολύ από τη μουσική σε αυτό το σημείο.
Αντί να δέχεστε όποιες μορφές φτάνουν, κανονικοποιήστε τες πριν την αποστολή. Η παρακάτω συνάρτηση εφαρμόζει τέσσερις μετασχηματισμούς: μετατροπή σε mono, καθώς το stereo δεν προσφέρει τίποτα στη μεταγραφή· δειγματοληψία στα 16 kHz, τον εγγενή ρυθμό του Voxtral· ρυθμό bit στα 64 kbps, επαρκή για φωνή· και loudnorm, το οποίο εξισορροπεί την ένταση.
import subprocess
def preparer_audio(chemin_entree: str, chemin_sortie: str = None) -> str:
"""Προετοιμάζει ένα αρχείο ήχου για βέλτιστη μεταγραφή."""
if chemin_sortie is None:
chemin_sortie = chemin_entree.rsplit(".", 1)[0] + "_prep.mp3"
subprocess.run([
"ffmpeg", "-y",
"-i", chemin_entree,
"-ac", "1", # Mono (το stereo δεν βοηθά στη μεταγραφή)
"-ar", "16000", # 16 kHz (εγγενής ρυθμός Voxtral)
"-b:a", "64k", # 64 kbps (επαρκές για ομιλία)
"-af", "loudnorm", # Κανονικοποίηση έντασης
chemin_sortie
], check=True, capture_output=True)
return chemin_sortie
Το όφελος είναι διπλό: η μετατροπή σε mono 16 kHz 64 kbps μειώνει σημαντικά τα μεγέθη των αρχείων χωρίς να υποβαθμίζει τη μεταγραφή, και το loudnorm βελτιώνει αισθητά τα αποτελέσματα σε ηχογραφήσεις με ακανόνιστη ένταση, τυπικά σε μια συνάντηση όπου ένας συμμετέχων βρίσκεται μακριά από το μικρόφωνο.
Γνώση του Τι Συμβαίνει
Μια υπηρεσία μεταγραφής χωρίς οργανομετρήσεις είναι ένα μαύρο κουτί: τη μέρα που οι χρόνοι επεξεργασίας διπλασιαστούν, θα το μάθετε από έναν δυσαρεστημένο χρήστη. Συλλέξτε το μέγεθος αρχείου, τη διάρκεια επεξεργασίας, τον αριθμό των προσπαθειών και τον όγκο του κειμένου που παρήχθη για κάθε κλήση, και γράψτε τα όλα ως JSON σε μία γραμμή, μια μορφή άμεσα usable από έναν συσσωρευτή αρχείων καταγραφής.
import time
import logging
import json
from datetime import datetime
logger = logging.getLogger("voxtral-prod")
def transcrire_avec_metriques(chemin_audio: str, **kwargs) -> dict:
"""Μεταγράφει με συλλογή μετρικών."""
debut = time.time()
taille_fichier = Path(chemin_audio).stat().st_size
resultat = transcrire_avec_retry(chemin_audio, **kwargs)
duree_traitement = time.time() - debut
metriques = {
"timestamp": datetime.now().isoformat(),
"fichier": chemin_audio,
"taille_octets": taille_fichier,
"duree_traitement_s": round(duree_traitement, 2),
"succes": resultat["succes"],
"tentatives": resultat["tentative"],
}
if resultat["succes"]:
metriques["nb_caracteres"] = len(resultat["texte"])
metriques["nb_mots"] = len(resultat["texte"].split())
ratio = taille_fichier / duree_traitement / 1024
metriques["debit_ko_par_s"] = round(ratio, 1)
# Δομημένη καταγραφή (JSON)
logger.info(json.dumps(metriques, ensure_ascii=False))
return resultat
Λίστα Ελέγχου Παραγωγής
Πριν ανοίξετε την υπηρεσία σας στον πρώτο πραγματικό χρήστη, ελέγξτε αυτά τα επτά σημεία:
| Τομέας | Έλεγχος |
|---|---|
| Διαχείριση σφαλμάτων | Επανάληψη με εκθετική οπισθοχώρηση για προσωρινά σφάλματα |
| Περιορισμός ρυθμού | Σεβασμός των ορίων API, υλοποίηση throttling αν χρειάζεται |
| Παρακολούθηση | Δομημένα αρχεία καταγραφής, μετρικές απόδοσης, ειδοποιήσεις για σφάλματα |
| Ασφάλεια | Κλειδί API σε μεταβλητή περιβάλλοντος, ποτέ σκληροκωδικοποιημένο στον κώδικα |
| Αποθήκευση | Αποθήκευση μεταγραφών μόνιμα, όχι μόνο στη μνήμη |
| Μορφή ήχου | Κανονικοποίηση αρχείων εκ των προτέρων (mono, 16 kHz) |
| Δοκιμές | Ποικίλα αρχεία: γλώσσες, διάρκειες, ποιότητα ήχου, αριθμός ομιλητών |
Η τελευταία γραμμή είναι αυτή που συχνά παραμελείται και κοστίζει τα περισσότερα. Τρεις καθαρές ηχογραφήσεις στα Γαλλικά δεν θα σας μάθουν τίποτα για την πραγματική συμπεριφορά της υπηρεσίας σας: δημιουργήστε ένα σκόπιμα δύσκολο δείγμα και θα ανακαλύψετε τις ρυθμίσεις που πρέπει να προσαρμόσετε ενώ υπάρχει ακόμα χρόνος.
Βασικά σημεία
- Υλοποιήστε επανάληψη με εκθετική οπισθοχώρηση και jitter για προσωρινά σφάλματα
- Χρησιμοποιήστε μια ομάδα εργαζομένων για επεξεργασία παρτίδων (4 εργαζόμενοι είναι μια καλή αρχή)
- Κανονικοποιήστε τα αρχεία σας σε mono 16 kHz με το FFmpeg για βέλτιστα αποτελέσματα
- Συλλέξτε δομημένες μετρικές για παρακολούθηση παραγωγής
- Σεβαστείτε τα όρια ρυθμού του API της Mistral
- Αποθηκεύετε συστηματικά τις μεταγραφές και τις αναφορές παρτίδων