Kasutusjuhud heli transkribeerimisel
Sellel lehel
Kursust uuendati 3. novembril 2026 Voxtral 3 jaoks, tuginedes Mistrali juhendile Migrate from Voxtral 2: Voxtral 2 mudelid (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), mis tunnistati aegunuks 31. oktoobril 2026 ja eemaldatakse kasutusest 30. aprillil 2027, on näidetes asendatud mudelitegavoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3javoxtral-mini-tts-3-0. Peamised muudatused: ainult segmendi tasemel ajatemplid (wordtagastab vea 400), reaalajas kõneleja eristamise tugi, reaalajaseansi seaded lukustuvad pärast esimest helilõiku ja paindlikudcontext_biassisendid (fraasid tühikutega). Allikad: Migrate from Voxtral 2 · Speech to Text.
Miks automatiseerida heli transkribeerimist
Automaatne transkribeerimine teisendab helivoogu struktureeritud ja kasutatavaks tekstiks. Tänu Voxtrali praegusele jõudlusele on veamäär paljudes professionaalsetes kontekstides nii madal, et tulemust saab kasutada otse ilma põhjaliku korrektuurita. See muudab majanduslikku võrrandit: seni kuni on vaja rida-realt üle vaadata, lihtsalt nihutab automatiseerimine tööd, mitte ei kaota seda.
Allpool toodud kasutusjuhtudel on üks ühine joon: igaüks neist tugineb konkreetsele API parameetrile. Nende äratundmise õppimine hoiab sind käsitsi selliste lahenduste ehitamisest, mida mudel juba ise pakub.
Automaatne subtiitrite loomine
Subtiitrite loomine on kõige otsesem rakendus. Voxtral Mini Transcribe 3 segmendi tasemel ajatemplid annavad iga transkriptsioonisekmendi algus- ja lõpuaja, mis piisab kõnega sünkroniseeritud SRT või VTT failide genereerimiseks. Selle väljundi lubad parameetriga timestamp_granularities=["segment"]; sõna tasemel ajatemplid, mis olid saadaval Voxtral 2-s, tagastavad nüüd vea 400. Kui segment on ekraani jaoks liiga pikk, jagad selle kliendipoolselt edasi väiksemateks tükkideks.
Praktikas kasutab seda e-õppe organisatsioon oma videokataloogi subtiitrimiseks, riigiasutus sisu kättesaadavaks tegemiseks kurtidele ja vaegkuuljatele ning kirjastaja mitmekeelsete subtiitrite tootmiseks, aheldades transkribeerimise ja tõlkimise. Otseülekande veebiseminaride või konverentside puhul on vajadus sama, kuid kolib Voxtral Realtime’i, kuna faili pole subtiitrite ilmumise hetkel veel olemas.
Näide: SRT subtiitrite genereerimine
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"]
)
# Genereeri SRT fail: üks subtiiter segmendi kohta
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}"
Koosolekuprotokollid
Kombineerides transkribeerimist ja kõneleja eristamist, saab Voxtralist tõsine tööriist automaatsete koosolekuprotokollide jaoks. Mudel tuvastab iga kõneleja ja loob osalejate kaupa struktureeritud transkriptsiooni, samas kui lame transkriptsioon sunnib lugejat arvama, kes parasjagu räägib. Piisab kahest parameetrist: diarize=True kõnelejate eraldamiseks ja timestamp_granularities=["segment"] ajablokkide saamiseks.
Meeskond kasutab seda nädalaste koosolekute jaoks, juhatus komitee istungite jaoks ja kvaliteediosakond koosolekute ajaloo arhiveerimiseks ja otsimiseks. Kõnelejate kaupa eristatud tekst toimib ka toormaterjalina otsuste ja ülesannete automaatseks väljavõtmiseks.
Tüüpiline töövoog
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Iga segment sisaldab: speaker, start, end, text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
Seejärel saad tulemuse saata suurele keelemudelile (näiteks Mistral Large 3), et ekstraheerida kokkuvõte, tehtud otsused ja ülesanded.
Podkastid ja intervjuud
Podkastid ja intervjuud on pika vorminguga sisu – kolmekümnest minutist üle kahe tunni – kahe kuni viie osalejaga. Voxtral eristab saatejuhti külalistest, kasutades kõneleja eristamist, ning austab kõnelejate nimesid ja valdkondlikku žargooni tänu konteksti kallutamisele (context biasing). Pikimate salvestiste puhul pea silmas kontekstiakent, mida jagavad heli ja sõnavara: seda ületav päring lükatakse tagasi veaga 400 (midagi ei lühendata); selle asemel jaga heli osadeks.
Podkasti produtsent kasutab seda täistranskriptsiooni genereerimiseks, mis avaldatakse artiklina, täisteksti indekseerimiseks otsitavates arhiivides, automaatselt loodud saatemärkmete jaoks ja sotsiaalmeediasse lõikamiseks valmis tsitaatide jaoks. Sama helifail toidab seega nelja erinevat väljundit.
Digitaalne ligipääsetavus
Automaatne transkribeerimine on digitaalse ligipääsetavuse nurgakivi, mida nõuab Euroopa ligipääsetavuse seadus (juuni 2025). Videosisu subtiitrimine on nüüd seaduslik nõue, kõrvuti kõneposti tekstiks teisendamisega, helisisu tekstikirjelduste pakkumisega – mis muuhulgas parandab ka SEO-d – ja salvestiste ligipääsetavate arhiivide haldamisega.
Voxtral võimaldab automatiseerida neid kohustusi suures mahus, kus minutihind on inimtranskribeerimisega võrreldes tühine. Mitmesajalise tunni pikkuse kataloogi puhul teeb see vahet eelarvestatud vastavuse juurutamise ja määramata ajaks edasilükatud projekti vahel.
Muud rakendused
| Sektor | Tüüpiline kasutusjuhtum |
|---|---|
| Kõnekeskused | Klientide vestluste transkribeerimine ja analüüsimine kvaliteedi jälgimiseks |
| Tervishoid | Aruannete dikteerimine, kasutades konteksti kallutamist erialase sõnavara jaoks |
| Õigus | Kohtuistungite ja depositsioonide transkribeerimine |
| Haridus | Loengute transkribeerimine üliõpilastele |
| Ajakirjandus | Väljas tehtud intervjuude kiire transkribeerimine |
Enne koodi kirjutamist tee selles loetelus kindlaks sinu omale kõige lähemal olev kasutusjuhtum ja pane kirja vajalikud parameetrid. Just see kombinatsioon – mitte ainult mudel ise – määrab sinu tulemuse kvaliteedi.
Peamised punktid
- Subtiitrite loomine kasutab segmendi tasemel ajatempleid SRT/VTT failide genereerimiseks
- Koosolekuprotokollid ühendavad kõneleja eristamise ja segmenteeritud transkriptsiooni
- Podkastid ja intervjuud võidavad pika heli toe (3 tundi) ja konteksti kallutamise kasutamisest
- Digitaalne ligipääsetavus on seaduslik nõue, mida Voxtral aitab automatiseerida
- Iga kasutusjuhtum tugineb spetsiifilistele Voxtrali API parameetritele