Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Aikaleimat ja ajallinen segmentointi

Oppitunti 6 / 16 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Tekstityksen jäsentäminen ajassa
  2. Segmenttitarkkuus: puhelukokonaisuus
  3. Entä sanatason tarkkuus?
  4. SRT-tekstitystiedoston luominen
  5. Pitkien nauhoitteiden navigointi
  6. Keskeiset asiat

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, jotka poistettiin käytöstä 31. lokakuuta 2026 ja ajettiin alas 30. huhtikuuta 2027) on korvattu esimerkeissä malleilla voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 ja voxtral-mini-tts-3-0. Keskeiset muutokset: aikaleimat ovat vain segmenttitasolla (word palauttaa 400-virheen), puhujan erottelu on mahdollista reaaliajassa, reaaliaikaisen istunnon asetukset lukittuvat ensimmäisen äänipaketin jälkeen, ja context_bias-syötteet ovat vapaamuotoisia (välilyönnillisiä lauseita). Lähteet: Migrate from Voxtral 2 · Speech to Text.

Tekstityksen jäsentäminen ajassa

Raaka tekstitys on hyödyllinen, mutta aikaleimattu tekstitys avaa huomattavasti rikkaampia mahdollisuuksia: tekstityksen luominen, ajallinen navigointi, videosynkronointi ja tiettyjen kohtien erottelu. Ilman aikaleimoja kahden tunnin nauhoitteesta budjetista keskustellun hetken löytäminen vaatii arvailua; aikaleimojen kanssa se on pelkkä tekstihaku ja napsautus. Voxtralin timestamp_granularities-parametri antaa sinulle tämän vallan.

Segmenttitarkkuus: puhelukokonaisuus

Segmentti on yhtenäinen puhejakso – tyypillisesti lause tai lausejoukko, joka on puhuttu ilman merkittävää taukoa. Tämä on oletusarvoinen tarkkuustaso, koska se vastaa luonnollista lukemisen yksikköä.

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"]
    )

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

Tuloste näyttää tältä:

[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.

Tämä jako tukee pitkien nauhoitteiden navigointia, tekstityspalikkien näyttämistä ja kohtien indeksointia: jokaisesta segmentistä tulee haettava merkintä, jolla on oma sisäänmenopisteensä äänitiedostossa.

Entä sanatason tarkkuus?

Voxtral 2 pystyi myös aikaleimaamaan jokaisen sanan (timestamp_granularities=["word"]). Voxtral 3 ei enää tarjoa tätä: word-tarkkuus palauttaa 400-virheen, ja Mistralin siirtymäopas kehottaa käyttäjiä siirtymään segmentteihin. Tapaukset, jotka vaativat sanakohtaista kohdistusta – kuten karaoketyyliset tekstitykset, nykyisen sanan korostaminen tai hienojakoinen puhenopeusanalyysi – täytyy nyt hoitaa segmenttien avulla, mahdollisesti jakamalla segmentin aika sen sanojen kesken asiakaspuoleisella estimoinnilla.

def estimer_mots(segment):
    """Jakaa segmentin keston sen sanojen kesken, suhteessa niiden pituuteen (estimaatti)."""
    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

Tämä on likiarvo, joka soveltuu progressiiviseen näyttöön mutta ei prosodian analyysiin: jos tarkka sanakohtainen kohdistus on välttämätöntä, ratkaisu on käyttää erillistä pakotetun kohdistuksen työkalua tekstityksen jälkeen.

SRT-tekstitystiedoston luominen

SRT-muoto ei ole mikään mysteeri: järjestysnumero, aikaväli muodossa HH:MM:SS,mmm, teksti ja tyhjä rivi. Alla oleva funktio käy läpi segmentit ja jakaa ne, jotka ylittäisivät mukavan näyttöleveyden, joka on tässä asetettu kuuteenkymmeneen merkkiin.

def generate_srt_from_segments(segments, max_chars=60):
    """Luo SRT-tiedoston Voxtral-segmenteistä."""
    srt_lines = []
    counter = 1

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

        # Jaa liian pitkät segmentit
        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):
    """Muuntaa sekunnit SRT-muotoon (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}"

# Käyttö
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")

Pitkien nauhoitteiden navigointi

Toinen segmenttien suora käyttökohde on ajallisen yhteenvedon rakentaminen. Seuraava skripti merkitsee tarkistuspisteen viiden minuutin välein ja näyttää ensimmäiset sanat, antaen lukijalle kartan nauhoitteesta ennen edes kuuntelemista.

def create_temporal_index(segments, interval_minutes=5):
    """Luo indeksin joka N:s minuutti."""
    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

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

Voxtral 2:ssa timestamp_granularities oli yhteensopimaton language-parametrin kanssa. Voxtral 3:n dokumentaatiossa tätä rajoitusta ei enää mainita: varmista asia testillä ennen niiden yhdistämistä tuotantokäsittelyssä.

Keskeiset asiat

  • Voxtral 3:ssa on vain yksi tarkkuustaso: "segment" ("word" palauttaa 400-virheen)
  • Sanakohtainen kohdistus tehdään tarvittaessa estimoimalla segmenteistä tai erillisellä kohdistustyökalulla
  • Aikaleimat ovat sekunteina (desimaalilukuja), ja jokaisella segmentillä on start ja end
  • Ihanteellinen SRT/VTT-tekstitykseen, ajalliseen navigointiin ja indeksointiin
  • Voxtral 2:n language-yhteensopimattomuutta ei ole enää dokumentoitu: varmista asia testillä