Cásanna Úsáide Trascríobhtha Fíor-Ama
Ar an leathanach seo
An cúrsa nuashonraithe an 3 Samhain 2026 do Voxtral 3, bunaithe ar threoir
Migrate from Voxtral 2ó Mistral: tá samhlacha Voxtral 2 (voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), a d’éag an 31 Deireadh Fómhair 2026 agus a baineadh go hiomlán an 30 Aibreán 2027, curtha in ionad sna samplaí agvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3, agusvoxtral-mini-tts-3-0. Príomhathruithe: níl stampaí ama ach ar leibhéal na míreanna (tugannwordearráid 400), tá idirdhealú cainteoirí fíor-ama ar fáil, tá socruithe seisiúin fíor-ama glasáilte tar éis an chéad smután fuaime, agus tá ionchuircontext_biassaorchruthach (frásaí le spásanna). Foinse:Migrate from Voxtral 2(https://docs.mistral.ai/studio/audio/migrate-from-voxtral-2) · Speech to Text.
Ceithre fheidhmchlár sruthúcháin chruinne
Tá na bloic thógála go léir agat anois: an sruth, an micreafón, agus an tiúnadh moille. Sa cheacht seo, déanaimid iad a chur le chéile i gceithre fheidhmchlár iomlána—fotheidealú beo, cúntóir gutha, foclóireacht, agus trascríobh comhdhála—is féidir leat a úsáid mar atá siad mar phointe tosaigh. Léiríonn gach ceann fadhb nach féidir leis an mód as líne a réiteach, agus úsáideann gach ceann socru moille difriúil, rud a thugann tuiscint phraiticiúil duit ar an tiúnadh a pléadh cheana.
Fotheidealú beo
Is é an fotheidealú an cás úsáide fíor-ama is infheicthe, agus an ceann is éilithí ó thaobh cur i láthair de. Ní leor an téacs a thrascríobh: caithfidh tú an téacs a bhriseadh ina línte gairide, gan ach dhá líne a thaispeáint ag an am, agus an t-iomlán a scrollú gan focal a bhriseadh riamh. Sin díreach a dhéanann an rang seo a leanas. Nuair a shroicheann an líne reatha an fad uasta, aimsíonn sé an spás deireanach roimh an teorainn sin agus briseann sé ann; mura bhfaightear spás—focal an-fhada, URL díchtiotaithe—gearrann sé ag an bhfad uasta seachas ligean don líne sárú. Léiríonn an socru 800 millisoicind tosaíocht an cháis úsáide seo: tá téacs inléite níos fearr ná téacs láithreach ach briste, agus ní thabharfaidh an lucht éisteachta faoi deara an mhoill bheag seo.
import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
AudioFormat,
TranscriptionStreamTextDelta,
TranscriptionStreamDone
)
class LiveCaptioning:
"""Córas fotheidealaithe beo le bainistíocht línte."""
def __init__(self, max_chars_per_line=50, max_lines=2):
self.max_chars = max_chars_per_line
self.max_lines = max_lines
self.current_line = ""
self.lines = []
async def run(self, audio_source):
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=audio_source,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
target_streaming_delay_ms=800,
):
if isinstance(event, TranscriptionStreamTextDelta):
self._add_text(event.text)
elif isinstance(event, TranscriptionStreamDone):
self._afficher_final()
def _add_text(self, texte):
self.current_line += texte
if len(self.current_line) >= self.max_chars:
pos = self.current_line.rfind(" ", 0, self.max_chars)
if pos > 0:
self.lines.append(self.current_line[:pos])
self.current_line = self.current_line[pos + 1:]
else:
self.lines.append(self.current_line[:self.max_chars])
self.current_line = self.current_line[self.max_chars:]
if len(self.lines) > self.max_lines:
self.lines = self.lines[-self.max_lines:]
self._afficher()
def _afficher(self):
for ligne in self.lines:
print(f" {ligne}")
print(f" {self.current_line}", end="", flush=True)
def _afficher_final(self):
print("\n\n[Captioning finished]")
Cúntóir gutha idirghníomhach
Ní féidir le cúntóir gutha maolú a cheadú. Caithfidh sé an t-úsáideoir a thuiscint agus é ag caint, nó beidh bearna ann tar éis gach ceiste a nochtfaidh láithreach gur meaisín atá i gceist. Is é an trascríobhthacht fhíor-ama an chéad nasc i slabhra trí chéim: Ó Chaint go Téacs, ansin LLM, ansin ó Théacs go Guth. Anseo, titann an mhoill go 300 millisoicind, an luach is ionsaithí sa cheacht ar fad, agus taispeántar an téacs trí líne reatha a fhorscríobh ag baint úsáide as aisghabháil carráiste, rud a chruthaíonn an tuiscint go bhfuil abairt á cur i gcrích os do chomhair.
Aistríonn an dara leath den fheidhm chuig an LLM. Iarrtar an freagra féin mar shruth, ionas go dtagann na chéad fhocail sula bhfuil an tsamhail tar éis a habairte a chríochnú: ní chuirtear amú an freagrúlacht a fuarthas ag céim an trascríobhtha sa chéad chéim eile. Forghníomhaíonn an chóras-leide giorracht, mionsonraí cinntitheach san idirghníomhaíocht labhartha áit a n-éiríonn freagra deich líne dodhéanta éisteacht leis.
async def assistant_vocal(audio_source):
"""Trascríobhann sé ansin freagraíonn sé trí LLM."""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
# Céim 1: An cheist a thrascríobh
question_parts = []
async for event in client.audio.realtime.transcribe_stream(
audio_stream=audio_source,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
target_streaming_delay_ms=300,
):
if isinstance(event, TranscriptionStreamTextDelta):
question_parts.append(event.text)
texte_en_cours = "".join(question_parts)
print(f"\rYou: {texte_en_cours}", end="", flush=True)
elif isinstance(event, TranscriptionStreamDone):
break
question = "".join(question_parts).strip()
print()
if not question:
print("No question detected.")
return
# Céim 2: Seol chuig LLM chun freagra a fháil
print("Assistant: ", end="", flush=True)
reponse_stream = client.chat.stream(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "You are a concise voice assistant. "
"Respond in 2-3 sentences maximum."
},
{"role": "user", "content": question}
]
)
for chunk in reponse_stream:
texte = chunk.data.choices[0].delta.content
if texte:
print(texte, end="", flush=True)
print("\n")
Foclóireacht ghutha le huathsábháil
Cuireann an fhoclóireacht fadhb os comhair nach dtugann an dá chás roimhe seo aird uirthi: fad. Is féidir le seisiún síneadh thar uair an chloig, agus bheadh sé dofhuirithne an téacs a chailleadh mar gheall ar thuairt nó ar thrasnú. Dá bhrí sin, an sábháil uathoibríoch, a spreagtar gach céad focal nó mar sin, a athscríobhann an comhad aschurtha ar an eitilt. Feidhmíonn an t-áireamh nb_mots freisin mar aiseolas don úsáideoir: insíonn sé duit cé mhéad a táirg tú, faisnéis a bhíonn ag súil léi aon duine atá ag díchtiú tuarascála. Cuireann an mhoill 600 millisoicind an cúrsóir ar thaobh na cruinnise, ós rud é go léann duine atá ag díchtiú a chuid téacs ar ais agus gur fearr leis focal cruinn ná ceann láithreach.
class DicteeVocale:
"""Foclóireacht ghutha le sábháil uathoibríoch."""
def __init__(self, fichier_sortie="dictee.txt"):
self.fichier_sortie = fichier_sortie
self.texte = []
self.nb_mots = 0
async def run(self, audio_source):
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
print("Dictating... (Ctrl+C to stop)\n")
async for event in client.audio.realtime.transcribe_stream(
audio_stream=audio_source,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
target_streaming_delay_ms=600,
):
if isinstance(event, TranscriptionStreamTextDelta):
self.texte.append(event.text)
self.nb_mots += len(event.text.split())
print(event.text, end="", flush=True)
# Uathsábháil gach 100 focal
if self.nb_mots % 100 < 5:
self._sauvegarder()
elif isinstance(event, TranscriptionStreamDone):
break
self._sauvegarder()
print(f"\n\nDictation finished: {self.nb_mots} words")
print(f"File: {self.fichier_sortie}")
def _sauvegarder(self):
contenu = "".join(self.texte)
with open(self.fichier_sortie, "w", encoding="utf-8") as f:
f.write(contenu)
Trascríobh comhdhála le meiteashonraí
I gcás comhdhála fada, níl mórán maith sa téacs amh mura bhfuil sé inaitheanta. Sé mhí ina dhiaidh sin, ní bheidh a fhios ag aon duine cé acu seisiún nó cainteoir a tháinig ó chomhad darbh ainm transcription.txt. Mar sin, cuimsíonn an fheidhm seo a leanas an trascríobh i struchtúr doiciméadaithe—ainm na comhdhála, an cainteoir, stampaí ama tosaigh agus deiridh, líon na bhfocal—agus onnmhairíonn sé é mar JSON faoi ainm stampáilte ama, atá inúsáidte láithreach ag inneall cuardaigh inmheánach nó ag píblíne cartlainne. Tá an mhoill 1,200 millisoicind an-compordach anseo: éisteann an lucht éisteachta leis an gcainteoir, níl sa taispeántas ach forlíonadh, agus tá tosaíocht ag an gcruinneas.
import json
from datetime import datetime
async def transcribe_conference(
audio_source,
conference_name: str,
speaker: str = "Inconnu"
):
"""Trascríobhann sé seisiún comhdhála le meiteashonraí."""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
session = {
"conference": conference_name,
"speaker": speaker,
"debut": datetime.now().isoformat(),
"texte": [],
}
print(f"Transcription: {conference_name}")
print(f"Speaker: {speaker}")
print("-" * 50)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=audio_source,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
target_streaming_delay_ms=1200,
):
if isinstance(event, TranscriptionStreamTextDelta):
session["texte"].append(event.text)
print(event.text, end="", flush=True)
elif isinstance(event, TranscriptionStreamDone):
break
session["fin"] = datetime.now().isoformat()
session["texte"] = "".join(session["texte"])
session["nb_mots"] = len(session["texte"].split())
filename = f"session_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json"
with open(filename, "w", encoding="utf-8") as f:
json.dump(session, f, ensure_ascii=False, indent=2)
print(f"\n\nSession saved: {filename}")
return session
Déan athbhreithniú ar na ceithre mhoill in ord—300, 600, 800, ansin 1,200 millisoicind—agus tabhair faoi deara go leanann siad loighic amháin: dá mhéad a bhíonn súil ag an úsáideoir le freagairt ón meaisín, is gá go mbeadh an mhoill níos giorra; dá mhéad a bhíonn súil acu le doiciméad inúsáidte, is faide is féidir a bheith ann. Tóg ceann de na feidhmchláir seo agus plugáil isteach é sa ghineadóir micreafóin ón gceacht roimhe seo: beidh uirlis fíor-inúsáidte agat i gceann cúpla nóiméad.
Príomhphointí
- Úsáideann fotheidealú beo moill 800 ms agus bainistíonn sé an taispeántas líne ar líne
- Déanann an cúntóir gutha slabhrú de thrascríobhthacht fhíor-ama agus LLM chun ceisteanna a fhreagairt
- Sábhálann foclóireacht ghutha an téacs go huathoibríoch ar an eitilt
- Cuirtear meiteashonraí le trascríobh comhdhála agus onnmhairítear go JSON é
- Tá an mhoill optamach ag gach cás úsáide: 300 ms (cúntóir) go 1,200 ms (comhdháil), laistigh den raon inghlactha 80 go 1,200 ms nó 2,400 ms