Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Χρονοσήμανση και τμηματοποίηση κατά το χρόνο

Μάθημα 6 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Δομή της μεταγραφής στον χρόνο
  2. Κοκκιότητα τμήματος: Το μπλοκ ομιλίας
  3. Τι συμβαίνει με την κοκκιότητα λέξης;
  4. Δημιουργία υποτίτλων SRT
  5. Πλοήγηση σε μακρές ηχογραφήσεις
  6. Βασικά σημεία

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 τα voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 και voxtral-mini-tts-3-0. Βασικές αλλαγές: οι χρονοσημάνσεις αφορούν μόνο τμήματα (το word επιστρέφει σφάλμα 400), η αναγνώριση ομιλητών (diarization) είναι δυνατή σε πραγματικό χρόνο, οι ρυθμίσεις συνεδρίας πραγματικού χρόνου κλειδώνουν μετά το πρώτο κομμάτι ήχου και οι είσοδοι context_bias είναι ελεύθερης μορφής (φράσεις με κενά). Πηγές: Migrate from Voxtral 2 · Speech to Text.

Δομή της μεταγραφής στον χρόνο

Μια ακατέργαστη μεταγραφή είναι χρήσιμη, αλλά μια μεταγραφή με χρονοσήμανση ανοίγει πολύ πλουσιότερες δυνατότητες: δημιουργία υποτίτλων, πλοήγηση στο χρόνο, συγχρονισμό με βίντεο και εξαγωγή συγκεκριμένων αποσπασμάτων. Χωρίς χρονοσήμανση, η εύρεση της στιγμής που συζητήθηκε ένας προϋπολογισμός σε μια δίωρη ηχογράφηση απαιτεί μαντεψιές· με αυτές, αρκεί μια αναζήτηση κειμένου και ένα κλικ. Η παράμετρος timestamp_granularities του Voxtral σας δίνει αυτή τη δύναμη.

Κοκκιότητα τμήματος: Το μπλοκ ομιλίας

Ένα τμήμα (segment) είναι ένα συνεχές μπλοκ ομιλίας—συνήθως μια πρόταση ή μια ομάδα προτάσεων που εκφωνούνται χωρίς σημαντική παύση. Αυτή είναι η κοκκιότητα που θα επιλέξετε εξ ορισμού, καθώς αντιστοιχεί στη φυσική μονάδα ανάγνωσης.

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"]
    )

# Επανάληψη στα τμήματα
for seg in response.segments:
    start = f"{seg.start:.1f}s"
    end = f"{seg.end:.1f}s"
    print(f"[{start} → {end}] {seg.text}")

Η έξοδος μοιάζει με την εξής:

[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.

Αυτή η ανάλυση υποστηρίζει την πλοήγηση σε μακρές ηχογραφήσεις, την εμφάνιση μπλοκ υποτίτλων και την ευρετηρίαση αποσπασμάτων: κάθε τμήμα γίνεται μια αναζητήσιμη εγγραφή με το σημείο εισόδου του στο αρχείο ήχου.

Τι συμβαίνει με την κοκκιότητα λέξης;

Το Voxtral 2 μπορούσε επίσης να προσθέσει χρονοσήμανση σε κάθε λέξη (timestamp_granularities=["word"]). Το Voxtral 3 δεν το προσφέρει πλέον: η κοκκιότητα word επιστρέφει σφάλμα 400 και ο οδηγός μετάβασης της Mistral instructs τους χρήστες να μεταβούν στα τμήματα. Οι περιπτώσεις χρήσης που απαιτούσαν ευθυγράμμιση λέξη προς λέξη—υπότιτλοι στυλ καραόκε, επισήμανση της τρέχουσας λέξης, ανάλυση ρυθμού ομιλίας υψηλής λεπτομέρειας—πρέπει πλέον να βασίζονται στα τμήματα, κατανέμοντας ενδεχομένως τον χρόνο ενός τμήματος στις λέξεις του μέσω εκτίμησης από την πλευρά του πελάτη.

def estimer_mots(segment):
    """Κατανέμει τη διάρκεια ενός τμήματος στις λέξεις του, ανάλογα με το μήκος τους (εκτίμηση)."""
    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

Πρόκειται για μια προσέγγιση, χρήσιμη για προοδευτική εμφάνιση αλλά όχι για προσοδική ανάλυση: εάν η ακριβής ευθυγράμμιση λέξεων είναι απαραίτητη, ένα εξειδικευμένο εργαλείο εξαναγκασμένης ευθυγράμμισης (forced alignment) που εφαρμόζεται μετά τη μεταγραφή παραμένει η λύση.

Δημιουργία υποτίτλων SRT

Η μορφή SRT δεν έχει τίποτα το μυστηριώδες: έναν αύξοντα αριθμό, ένα χρονικό διάστημα σε μορφή HH:MM:SS,mmm, το κείμενο και μια κενή γραμμή. Η παρακάτω συνάρτηση επαναλαμβάνεται στα τμήματα και διαιρεί εκείνα που θα ξεπερνούσαν ένα άνετο πλάτος εμφάνισης, ορισμένο εδώ στους εξήντα χαρακτήρες.

def generate_srt_from_segments(segments, max_chars=60):
    """Δημιουργεί ένα αρχείο SRT από τμήματα Voxtral."""
    srt_lines = []
    counter = 1

    for seg in segments:
        words = seg.text.strip()
        if not words:
            continue

        # Διαίρεση τμημάτων που είναι πολύ μεγάλα
        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):
    """Μετατρέπει τα δευτερόλεπτα σε μορφή 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}"

# Χρήση
srt_contenu = generate_srt_from_segments(response.segments)
with open("sous_titres.srt", "w", encoding="utf-8") as f:
    f.write(srt_contenu)

print("SRT file generated successfully")

Πλοήγηση σε μακρές ηχογραφήσεις

Μια άλλη άμεση εφαρμογή των τμημάτων είναι η δημιουργία μιας χρονικής περίληψης. Το παρακάτω σενάριο σημειώνει ένα σημείο ελέγχου κάθε πέντε λεπτά και εμφανίζει τις πρώτες λέξεις, προσφέροντας στον αναγνώστη έναν χάρτη της ηχογράφησης πριν καν την ακούσει.

def create_temporal_index(segments, interval_minutes=5):
    """Δημιουργεί ένα ευρετήριο κάθε N λεπτά."""
    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

# Χρήση
for entry in create_temporal_index(response.segments, interval_minutes=5):
    print(entry)

Με το Voxtral 2, το timestamp_granularities ήταν ασύμβατο με την παράμετρο language. Η τεκμηρίωση του Voxtral 3 δεν αναφέρει πλέον αυτόν τον περιορισμό: επαληθεύστε το με μια δοκιμή πριν συνδυάσετε τα δύο σε επεξεργασία παραγωγής.

Βασικά σημεία

  • Μόνο μία κοκκιότητα με το Voxtral 3: "segment" (το "word" επιστρέφει σφάλμα 400)
  • Η ευθυγράμμιση λέξη προς λέξη, εάν είναι απαραίτητη, εκτιμάται από τα τμήματα ή διαχειρίζεται από ένα εργαλείο ευθυγράμμισης
  • Οι χρονοσημάνσεις είναι σε δευτερόλεπτα (δεκαδικοί αριθμοί), με start και end για κάθε τμήμα
  • Ιδανικό για υπότιτλους SRT/VTT, χρονική πλοήγηση και ευρετηρίαση
  • Η ασυμβατότητα με το language από το Voxtral 2 δεν τεκμηριώνεται πλέον: επαληθεύστε το με μια δοκιμή