Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Rialú ar an Moill

Ceacht 12 as 16 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. An comhréiteach idir moill agus cruinneas
  2. An paraiméadar target_streaming_delay_ms
  3. An patrún Moill Dhúbailte (Dual Delay)
  4. Athsholáthar ar an scáileán a láimhseáil
  5. An mhoill cheart a roghnú do do chás úsáide
  6. An mhoill iarbhír a bhaint amach a thomhas
  7. Príomhphointí

An cúrsa nuashonraithe an 3 Samhain, 2026 do Voxtral 3, bunaithe ar threoir Migrate from Voxtral 2 ó Mistral: Tá samhlacha Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), a cuireadh as feidhm an 31 Deireadh Fómhair, 2026 agus a scorfar an 30 Aibreán, 2027, curtha in ionad sna samplaí ag voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3, agus voxtral-mini-tts-3-0. Príomhathruithe: stampa ama de réir deighleoire amháin (tugann word earráid 400), tá dé-aitheantóir fíor-am indéanta, tá socruithe seisiúin fíor-am glasáilte tar éis an chéad smután fuaime, agus tá ionchuir context_bias saorchruthach (frásaí le spásanna). Foinse: Migrate from Voxtral 2(https://docs.mistral.ai/studio/audio/migrate-from-voxtral-2) · Speech to Text.

An comhréiteach idir moill agus cruinneas

Braitheann tras-scríobh fíor-am ar chomhréiteach nach féidir leat a sheachaint: tagann luas freagartha ar chostas cruinnis. Dá fhaide a fhanann an tsamhail sula scaoileann sí focal, is ea is mó comhthéacs atá aici chun idirdhealú a dhéanamh idir hipitéis fuaime cosúla—agus is ea is faide a fhanann d’úsáideoir ag fanacht. D’fhéadfadh nach mbeadh frása mar “he took the sea” i gcomparáid le “he took the bitter” soiléir ach amháin ón méid a leanann; roghnóidh samhail bhroidithe an ceann mícheart uaireanta.

Ní cheileann Voxtral Realtime an comhréiteach seo taobh thiar de shocrú uathoibríoch: tugann sé duit go sainráite é tríd an bparaiméadar target_streaming_delay_ms. Is tusa a chinneann an pointe cothromaíochta, ó chás go cás.

An paraiméadar target_streaming_delay_ms

Léiríonn an luach seo, i milleasoicindí, an mhoill spriocdhírithe idir fuaim a fháil agus an téacs comhfhreagrach a astú. Le Voxtral 3, glacann sé le slánuimhir ar bith ó 80 go 1,200, nó 2,400; spreagfaidh aon luach eile imeacht earráide. Cuirtear ar an nglao sruthúcháin é go díreach, díreach cosúil leis an tsamhail agus le formáid na fuaime, agus cosúil le gach socruithe seisiúin, glasáiltear é tar éis an chéad smután fuaime:

import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
    AudioFormat,
    TranscriptionStreamTextDelta,
    TranscriptionStreamDone
)

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)

# Moill íseal: freagra tapa, níos lú cruinnis
async for event in client.audio.realtime.transcribe_stream(
    audio_stream=source_audio,
    model="voxtral-mini-transcribe-realtime-3",
    audio_format=audio_format,
    target_streaming_delay_ms=240,  # 240 ms
):
    if isinstance(event, TranscriptionStreamTextDelta):
        print(event.text, end="", flush=True)

Clúdaíonn trí raon luacha beagnach gach cás úsáide. Idir 200 agus 300 milleasoicind, tá an tras-scríobh an-fhreagrach: seo an socrú do chúntóirí gutha, áit a bhfuil an tábhacht is mó leis an láithreacht agus d’fhéadfadh níos mó ceartúcháin a bheith sa téacs. Idir 500 agus 1,000 milleasoicind, faigheann tú cothromaíocht mhaith, atá oiriúnach do fhochaptiú beo agus do dhíorthú. Thairis sin, idir 2,000 agus 3,000 milleasoicind, oibríonn an tsamhail le comhthéacs i bhfad níos mó agus táirgeann sí téacs i bhfad níos glaine, ar chostas moille a mhothaíonn an t-úsáideoir go soiléir.

An patrún Moill Dhúbailte (Dual Delay)

An bhfuil ort roghnú i ndáiríre? Tugann Voxtral Realtime bealach timpeall air: seol dhá shruth go comhthreomhar ar an bhfuaim chéanna, le moilleanna éagsúla, agus diúltaigh don chomhréiteach mar sin. Tugann an sruth tapa, socraithe mar shampla ag 240 milleasoicind, aiseolas amhairc láithreach a chuireann suaimhneas ar an úsáideoir agus a léiríonn go bhfuil an córas ag éisteacht. Táirgeann an sruth mall, socraithe ag 2,400 milleasoicind, tras-scríobh níos cruinne a chuireann an téacs sealadach in ionad de réir a chéile.

Tá aithne agat ar an iompar seo fiú mura bhfuil ainm air: is mar seo a oibríonn fochaptiú beo ar YouTube nó ar Google Meet, áit a dtagann an téacs chun solais beagnach láithreach agus ansin ceartaíonn sé é féin cúpla soicind ina dhiaidh sin. Baineann an cur chun feidhme le dhá chorúitín a shainiú atá comhionann ach amháin maidir leis an moill, agus ansin iad a rith le chéile le asyncio.gather.

import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
    AudioFormat,
    TranscriptionStreamTextDelta,
    TranscriptionStreamDone
)

async def dual_latency_stream(source_audio_fast, source_audio_slow):
    """Rithíonn sé dhá thras-scríobh go comhthreomhar le moilleanna éagsúla."""
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
    audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)

    results = {"fast": [], "slow": []}

    async def fast_stream():
        async for event in client.audio.realtime.transcribe_stream(
            audio_stream=source_audio_fast,
            model="voxtral-mini-transcribe-realtime-3",
            audio_format=audio_format,
            target_streaming_delay_ms=240,
        ):
            if isinstance(event, TranscriptionStreamTextDelta):
                results["fast"].append(event.text)
                # Taispeáin láithreach (cuirfear in ionad é leis an sruth mall)
                print(f"\r[FAST] {''.join(results['fast'][-10:])}",
                      end="", flush=True)

    async def slow_stream():
        async for event in client.audio.realtime.transcribe_stream(
            audio_stream=source_audio_slow,
            model="voxtral-mini-transcribe-realtime-3",
            audio_format=audio_format,
            target_streaming_delay_ms=2400,
        ):
            if isinstance(event, TranscriptionStreamTextDelta):
                results["slow"].append(event.text)
                # Taispeáin an leagan ceartaithe
                print(f"\n[ACCURATE] {''.join(results['slow'][-10:])}",
                      flush=True)

    # Rith an dá shruth go comhthreomhar
    await asyncio.gather(fast_stream(), slow_stream())

    return {
        "fast": "".join(results["fast"]),
        "slow": "".join(results["slow"])
    }

Tabhair faoi deara go bhfaigheann an fheidhm dhá fhoinse fuaime ar leith, ní ceann amháin: ní féidir gineadóir async a úsáid ach uair amháin, mar sin caithfidh tú an sruth a dhúbailt suas an sruth chun an dá thras-scríobh a bheathú.

Athsholáthar ar an scáileán a láimhseáil

I dteirminéal, tá an t-aschur dúbailte ón gcód thuas leordhóthanach chun an mheicníocht a thuiscint, ach caithfidh comhéadan fíor an dá shruth a chumasc ina théacs amháin inléite. Is é an gnáthchoinbhinsiún ná téacs sealadach a thaispeáint i scáth subtle—liath—agus téacs deimhnithe i mbán, agus an teorainn eatarthu ag dul chun cinn de réir mar a shroicheann an sruth mall an sruth tapa. Cuireann an rang thíos an teorainn seo i bhfeidhm le final_position: tagann gach rud roimhe ón sruth mall agus ní athróidh sé, tagann gach rud ina dhiaidh ón sruth tapa agus fanann sé faoi réir ceartúcháin.

class DualLatencyDisplay:
    """Bainistíonn sé an taispeáint le moill dhúbailte."""

    def __init__(self):
        self.fast_text = ""
        self.final_text = ""
        self.final_position = 0

    def on_fast_text(self, text: str):
        """Téacs nua ón sruth tapa (sealadach)."""
        self.fast_text += text
        self._display()

    def on_slow_text(self, text: str):
        """Téacs nua ón sruth mall (deiridh)."""
        self.final_text += text
        self.final_position = len(self.final_text)
        self._display()

    def _display(self):
        """Taispeánann sé téacs deiridh + téacs tapa nach bhfuil deimhnithe fós."""
        provisional_text = self.fast_text[self.final_position:]
        display = self.final_text + provisional_text
        print(f"\r{display}", end="", flush=True)

Tagann an chompord seo ar chostas nach mbeadh sé macánta neamhaird a dhéanamh air: ciallaíonn dhá shruth dhá nasc agus dhá oiread toirte fuaime próiseáilte. Coinnigh Moill Dhúbailte do chomhéadain ina léann an t-úsáideoir an téacs de réir mar a tharlaíonn sé; le haghaidh próiseála cúlra, tá sruth amháin atá tiúnta go maith níos mó ná leordhóthanach.

An mhoill cheart a roghnú do do chás úsáide

Cás úsáideMoill mholtaCúis
Cúntóir gutha200-300 msTáthar ag súil le freagra láithreach ón úsáideoir
Díorthú gutha500-800 msCothromaíocht idir freagracht agus cruinneas
Fochaptiú beo800-1,200 msTá cruinneas tábhachtach, tá moill bheag inghlactha
Tras-scríobh comhdhála1,200 nó 2,400 msUasmhéid cruinnis, ní criticiúil an mhoill

An mhoill iarbhír a bhaint amach a thomhas

Is sprioc an luach a iarrann tú, ní ráthaíocht: cuireann fad an líonra, ualach an tseirbhíse, agus méid do smután leis. Sula ndéanann tú luach a lua le do chuid úsáideoirí, déan tomhas air ón áit a rithfidh d’iarratas i ndáiríre. Déanann an fheidhm thíos amú ar an moill go dtí go dtagann an chéad smután agus déanann sí comparáid idir é agus an sprioc a iarradh.

import time

async def measure_latency(source_audio, delay_ms):
    """Tomhaiseann sé moill éifeachtach an tras-scríofa."""
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
    audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)

    start = time.time()
    first_text = None

    async for event in client.audio.realtime.transcribe_stream(
        audio_stream=source_audio,
        model="voxtral-mini-transcribe-realtime-3",
        audio_format=audio_format,
        target_streaming_delay_ms=delay_ms,
    ):
        if isinstance(event, TranscriptionStreamTextDelta):
            if first_text is None:
                first_text = time.time()
                latency = (first_text - start) * 1000
                print(f"First text after {latency:.0f} ms "
                      f"(target: {delay_ms} ms)")
            print(event.text, end="", flush=True)
        elif isinstance(event, TranscriptionStreamDone):
            break

    print(f"\nTotal duration: {time.time() - start:.1f}s")

Rith an tomhas seo le 240, ansin 800, ansin 2,400 milleasoicind ar an mír chéanna, agus léigh na trí thras-scríobh taobh le taobh a chéile. Inseoidh an difríocht cáilíochta idir an chéad cheann agus an ceann deireanach duit, níos fearr ná aon mholadh ginearálta, cén mhoill is féidir le d’iarratas a cheadú.

Príomhphointí

  • Rialaíonn target_streaming_delay_ms an comhréiteach idir moill agus cruinneas
  • Luachanna ísle (80 go 300 ms): freagrach ach níos lú cruinnis
  • Luachanna arda (1,200 ms, nó 2,400 ms): cruinn ach le moill inbhraite; ní ghlactar ach le luachanna ó 80 go 1,200 agus 2,400
  • Comhcheanglaíonn an patrún Moill Dhúbailte dhá shruth le haghaidh freagarthachta AGUS cruinnis
  • Tugann an sruth tapa aiseolas láithreach, ceartaíonn an sruth mall an téacs
  • Roghnaigh an mhoill bunaithe ar do chás úsáide (cúntóir gutha vs. fochaptiú)