Käyttötapaukset äänen litteroinnille
Tällä sivulla
Kurssi päivitetty 3. marraskuuta 2026 Voxtral 3:lle Mistralin Migrate from Voxtral 2 -oppaan pohjalta: Voxtral 2 -mallit (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603, vanhentuneet 31. lokakuuta 2026 ja poistuvat käytöstä 30. huhtikuuta 2027) on korvattu esimerkeissä malleillavoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3javoxtral-mini-tts-3-0. Keskeiset muutokset: vain segmenttitason aikaleimaus (wordpalauttaa 400-virheen), reaaliaikainen puhujantunnistus, reaaliaikaisten istuntojen asetukset lukittuvat ensimmäisen äänipaketin jälkeen ja joustavatcontext_bias-syötteet (välilyönnilliset fraasit). Lähteet: Migrate from Voxtral 2 · Speech to Text.
Miksi automatisoida äänen litterointi
Automaattinen litterointi muuntaa äänivirran jäsennellyksi ja käyttökelpoiseksi tekstiksi. Voxtralin nykyisellä suorituskyvyllä virheprosentti on niin alhainen, että tulosta voi käyttää suoraan monissa ammatillisissa yhteyksissä ilman exhaustive-tarkistusta. Tämä muuttaa taloudellista yhtälöä: niin kauan kuin rivitason tarkistus on välttämätöntä, automaatio vain siirtää työtä sen sijaan, että se poistaisi sen.
Alla olevilla käyttötapauksilla on yhteinen piirre: jokainen nojaa tiettyyn API-parametriin. Niiden tunnistaminen säästää sinua rakentamasta manuaalisesti uudelleen sitä, mitä malli tuottaa jo valmiiksi.
Automaattinen tekstitys
Tekstitys on suoraviivaisin sovellus. Voxtral Mini Transcribe 3:n segmenttitason aikaleimaus tarjoaa kunkin litterointisegmentin aloitus- ja lopetusajan, mikä riittää puheen kanssa synkronoitujen SRT- tai VTT-tiedostojen luomiseen. Otat tämän tulosteen käyttöön parametrilla timestamp_granularities=["segment"]; sanatasoinen aikaleimaus, joka oli saatavilla Voxtral 2:ssa, palauttaa nyt 400-virheen. Jos segmentti on liian pitkä näyttöä varten, voit jakaa sitä edelleen asiakaspuolella.
Käytännössä e-oppimisorganisaatio käyttää tätä videokataloginsa tekstittämiseen, virasto tekee sisällöstä saavutettavaa kuuroille ja huonokuuloisille käyttäjille, ja kustantamo tuottaa monikielisiä tekstityksiä ketjuttamalla litteroinnin ja kääntämisen. Live-webinaareissa tai konferensseissa tarve on sama, mutta siirtyy Voxtral Realtimeen, sillä tiedostoa ei ole saatavilla silloin, kun tekstitysten tulee ilmestyä.
Esimerkki: SRT-tekstityksen luominen
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"]
)
# Luo SRT-tiedosto: yksi tekstitys per segmentti
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}"
Kokousmuistiot
Yhdistämällä litterointi ja puhujantunnistus Voxtralista tulee vakavasti otettava työkalu automaattisiin kokousmuistioihin. Malli tunnistaa jokaisen puhujan ja tuottaa osallistujakohtaisesti jäsennellyn litteroinnin, kun taas tasainen litterointi pakottaa lukijan arvailemaan, kuka puhuu. Kaksi parametria riittää: diarize=True erottamaan puhujat ja timestamp_granularities=["segment"] saamaan aikaikkunat.
Tiimi käyttää tätä viikoittaisiin palavereihin, johtoryhmä toimikunnan kokouksiin ja laatuosasto kokoushistorian arkistointiin ja hakuun. Puhujakohtainen teksti toimii myös raaka-aineena päätösten ja tehtävälistojen automaattiseen poimimiseen.
Tyypillinen työnkulku
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Jokainen segmentti sisältää: puhuja, aloitus, lopetus, teksti
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
Voit tämän jälkeen lähettää tuloksen LLM:lle (esimerkiksi Mistral Large 3) tiivistelmän, tehtyjen päätösten ja tehtävälistojen erottamiseksi.
Podcastit ja haastattelut
Podcastit ja haastattelut ovat pitkämuotoista sisältöä – kolmekymmentä minuuttia yli kahteen tuntiin – ja niissä on kahdesta viiteen osallistujaa. Voxtral erottaa isännän vieraista puhujantunnistuksen avulla ja kunnioittaa puhujien nimiä sekä aihekohtaista jargonia kontekstiharhautuksen (context biasing) ansiosta. Pisimpien tallenteiden kohdalla pidä mielessä konteksti-ikkuna, joka on jaettu äänen ja sanaston kesken: ikkunan ylittävä pyyntö hylätään 400-virheellä (mitään ei typistetä); jaa ääni sen sijaan osiin.
Podcast-tuottaja käyttää tätä luodakseen täydellisen litteroinnin, joka julkaistaan artikkelina, koko tekstin indeksoinnin haettavia arkistoja varten, automaattisesti generoidut show notesit ja sosiaaliseen mediaan valmiit lainaukset. Sama äänitiedosto syöttää siis neljää eri tuotosta.
Digitaalinen saavutettavuus
Automaattinen litterointi on digitaalisen saavutettavuuden kulmakivi, jonka Euroopan saavutettavuuslaki (kesäkuu 2025) määrää. Videosisällön tekstittäminen on nyt lakisääteinen vaatimus, kuten myös vastaajien litterointi tekstiksi, äänisisällön tekstikuvausten tarjoaminen – mikä hyödyttää samalla SEO:ta – ja tallenteiden saavutettavien arkistojen ylläpito.
Voxtralin avulla voit automatisoida nämä velvoitteet laajassa mittakaavassa, ja kustannus ääniminuuttia kohden on marginaalinen verrattuna ihmisen tekemään litterointiin. Useiden satojen tuntien katalogin kohdalla tämä on ero budjetoidun vaatimustenmukaisuuden käyttöönoton ja toistaiseksi lykkäytyvän hankkeen välillä.
Muut sovellukset
| Ala | Tyypillinen käyttötapaus |
|---|---|
| Call-keskukset | Asiakkaiden keskustelujen litterointi ja analysointi laadunvalvontaa varten |
| Terveydenhuolto | Raporttien sanelu käyttämällä kontekstiharhautusta erikoissanastolle |
| Oikeusala | Oikeudenkäyntien ja todistajanlausuntojen litterointi |
| Koulutus | Luentojen litterointi opiskelijoille |
| Journalismi | Kenttähaastattelujen nopea litterointi |
Ennen kuin kirjoitat koodia, tunnista tästä listasta omaa tilannettasi lähinnä oleva käyttötapaus ja merkitse muistiin sen vaatimat parametrit. Tämä yhdistelmä – ei pelkkä malli – määrittää tuloksesi laadun.
Keskeiset asiat
- Tekstitys käyttää segmenttitason aikaleimausta SRT/VTT-tiedostojen luomiseen
- Kokousmuistiot yhdistävät puhujantunnistuksen ja segmentoidun litteroinnin
- Podcastit ja haastattelut hyötyvät pitkän äänen tuesta (3 h) ja kontekstiharhautuksesta
- Digitaalinen saavutettavuus on lakisääteinen vaatimus, jonka Voxtral auttaa automatisoimaan
- Jokainen käyttötapaus nojaa tiettyihin Voxtral API -parametreihin