Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Diarization: Aithint cé atá ag caint

Ceacht 7 as 16 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Cad é diarization
  2. Diarization a chumasú
  3. Na torthaí a úsáid
  4. Tuairisc struchtúrtha a ghiniúint
  5. Dul chomh fada le hanailís iomlán
  6. Cad nach ndéanann diarization
  7. Ainmneacha a thabhairt ar chainteoirí le clipí tagartha
  8. Príomhphointí

An cúrsa nuashonraithe an 3 Samhain, 2026 do Voxtral 3, bunaithe ar an treoir ó Mistral Migrate from Voxtral 2: 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 scoireadh 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: níl stampaí ama ach ar leibhéal na míreanna (word filleann earráid 400), tá diarization ar fáil i bhfíor-am, tá socruithe seisiúin fíor-ama 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. Breisiú bunaithe ar an treoir Diarize speakers: tosaíonn lipéid ag speaker_1 (seachas speaker_0), tugtar speaker_id ar an réimse, ligeann clipí tagartha (speaker_references) duit ainmneacha a thabhairt ar chainteoirí aitheanta, agus oibríonn diarization i bhfíor-am, rud a mhalartaíonn an méid a dúirt an leagan roimhe seo. Foinse: Diarize speakers · Speakers and diarization.

Cad é diarization

Is é diarization (diarization cainteoirí) an cumas cainteoirí éagsúla a aithint agus a scaradh i dtaifeadadh fuaime. Sanntann an tsamhail aitheantóir go huathoibríoch do gach guth ar leith agus deighleann sí an tras-scríobh dá réir.

Tá an difríocht luacha suntasach. Cruthaíonn cruinniú cúigear a thras-scríobhtar gan diarization bloc téacs nach bhfuil a fhios ag aon duine cé a rinne cé acu gealltanas; déantar taifead in-sannta den chruinniú céanna nuair a dhéantar diarization air. Sin an fáth go bhfuil an ghné seo riachtanach d’aon taifeadadh il-chainteora: cruinnithe, agallaimh, glaonna teileafóin, díospóireachtaí, agus pléphainéil.

Diarization a chumasú

Níl ach paraiméadar amháin ag teastáil: diarize=True.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

with open("reunion_equipe.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "reunion_equipe.mp3"},
        diarize=True,
        timestamp_granularities=["segment"]
    )

Oibríonn diarization lámh ar lámh le stampaí ama ar leibhéal na míreanna: iompraíonn an mhír an t-eolas. Áirítear réimse speaker_id anois i ngach mír a fhilltear chun an cainteoir a aithint; gan stampaí ama ar leibhéal na míreanna, teipeann ar an iarratas.

Na torthaí a úsáid

Is é an taispeáint is simplí ná dul trí mhíreanna agus réimír a chur le gach ráiteas leis an údar agus an stampa ama.

for seg in response.segments:
    temps = f"{seg.start:.1f}s"
    print(f"[{temps}] {seg.speaker_id} : {seg.text}")

Seo mar a bheidh an t-aschur:

[0.0s] speaker_1 : Bonjour à tous, on commence la réunion hebdomadaire.
[3.2s] speaker_1 : Julien, tu veux commencer avec le point technique ?
[5.8s] speaker_2 : Oui, alors cette semaine on a finalisé la migration.
[12.4s] speaker_2 : Tout est déployé en production depuis mercredi.
[15.1s] speaker_3 : Super, et côté performances, on a vu une amélioration ?
[18.3s] speaker_2 : Oui, le temps de réponse a baissé de trente pour cent.

Aithnítear cainteoirí mar speaker_1, speaker_2, agus mar sin de. Níl bailíocht ag na lipéid seo ach laistigh d’aon tras-scríobh amháin: ní hionann kon kon speaker_1 i gcomhad amháin agus speaker_1 sa chéad cheann eile kon kon an duine céanna. Gan tagairtí, níl a fhios ag an tsamhail ainmneacha—mapálann tú na haithneoirí seo do dhaoine fíor, mar shampla tar éis éisteacht leis na chéad chúpla soicind, ag baint úsáide as foclóir simplí.

# Mapáil aithneoirí le hainmneacha fíora
noms_locuteurs = {
    "speaker_1": "Marie (Manager)",
    "speaker_2": "Julien (Tech Lead)",
    "speaker_3": "Sarah (Product)",
}

for seg in response.segments:
    nom = noms_locuteurs.get(seg.speaker_id, seg.speaker_id)
    minutes = int(seg.start // 60)
    secondes = int(seg.start % 60)
    print(f"[{minutes:02d}:{secondes:02d}] {nom}")
    print(f"  {seg.text}\n")

Nuair atá an mapáil i bhfeidhm, bíonn fad na míreanna ina méadrachtaí. Má shuimíonn tú seg.end - seg.start in aghaidh an chainteora, faigheann tú am cainte gach duine—tomhas a bhíonn ag teastáil ó éascaitheoirí cruinnithe agus ó bhainisteoirí cáilíochta ionad glaonna.

from collections import defaultdict

temps_parole = defaultdict(float)

for seg in response.segments:
    duree = seg.end - seg.start
    temps_parole[seg.speaker_id] += duree

print("=== Temps de parole ===")
total = sum(temps_parole.values())
for locuteur, duree in sorted(temps_parole.items()):
    nom = noms_locuteurs.get(locuteur, locuteur)
    pourcentage = (duree / total) * 100
    minutes = int(duree // 60)
    secondes = int(duree % 60)
    print(f"{nom} : {minutes}m{secondes:02d}s ({pourcentage:.1f}%)")
=== Temps de parole ===
Marie (Manager) : 8m23s (28.4%)
Julien (Tech Lead) : 12m45s (43.2%)
Sarah (Product) : 8m22s (28.4%)

Tuairisc struchtúrtha a ghiniúint

Ligeann diarization in éineacht le míreanna duit tuairisc inléite go díreach a tháirgeadh. Is é cleas an scripte seo ná líne amháin: ní scríobhann sé ceannlíne nua ach nuair a athraíonn an cainteoir, ag grúpáil casanna leantacha ón duine céanna in ionad iad a bhriseadh suas.

def generer_compte_rendu(segments, noms):
    """Gin tuairisc Markdown ó mhíreanna le diarization."""
    lignes = ["# Compte-rendu de réunion\n"]
    locuteur_actuel = None

    for seg in segments:
        nom = noms.get(seg.speaker_id, seg.speaker_id)

        if seg.speaker_id != locuteur_actuel:
            locuteur_actuel = seg.speaker_id
            minutes = int(seg.start // 60)
            secondes = int(seg.start % 60)
            lignes.append(f"\n**{nom}** ({minutes:02d}:{secondes:02d}) :")

        lignes.append(f"  {seg.text}")

    return "\n".join(lignes)

compte_rendu = generer_compte_rendu(response.segments, noms_locuteurs)

with open("compte_rendu.md", "w", encoding="utf-8") as f:
    f.write(compte_rendu)

print("Compte-rendu généré")

Dul chomh fada le hanailís iomlán

Seo an script a thugann gach rud le chéile: tras-scríobh le diarization, staitisticí in aghaidh an chainteora, agus aschur JSON, réidh le haghaidh deais rialaithe nó LLM achoimriúcháin a bheathú.

import os
import json
from collections import defaultdict
from mistralai.client import Mistral

def analyser_reunion(chemin_audio: str, noms: dict = None):
    """Tras-scríobh agus déan anailís ar chruinniú iomlán."""
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Tras-scríobh le diarization
    with open(chemin_audio, "rb") as f:
        response = client.audio.transcriptions.complete(
            model="voxtral-mini-transcribe-3",
            file={"content": f, "file_name": chemin_audio},
            diarize=True,
            timestamp_granularities=["segment"]
        )

    noms = noms or {}

    # Staitisticí
    stats = defaultdict(lambda: {"duree": 0.0, "segments": 0, "mots": 0})
    for seg in response.segments:
        stats[seg.speaker_id]["duree"] += seg.end - seg.start
        stats[seg.speaker_id]["segments"] += 1
        stats[seg.speaker_id]["mots"] += len(seg.text.split())

    # Toradh
    resultat = {
        "transcription": response.text,
        "nb_locuteurs": len(stats),
        "duree_totale": max(s.end for s in response.segments),
        "statistiques": {
            noms.get(loc, loc): {
                "duree_secondes": round(data["duree"], 1),
                "nb_segments": data["segments"],
                "nb_mots": data["mots"]
            }
            for loc, data in stats.items()
        }
    }

    return resultat

# Úsáid
resultat = analyser_reunion("reunion.mp3", {
    "speaker_1": "Marie",
    "speaker_2": "Julien",
    "speaker_3": "Sarah"
})

print(json.dumps(resultat["statistiques"], indent=2, ensure_ascii=False))

Cad nach ndéanann diarization

Coinnigh roinnt teorainneacha i gcuimhne sula ngeallann tú toradh do chliaint. Gan clipí tagartha, déanann an tsamhail idirdhealú idir guthanna, ní daoine, agus is ortsa atá an mhapáil. Déanann sí, áfach, líon na gcainteoirí a bhrath uirthi féin—ní gá duit é a shonrú. Is féidir dhá ghuth cosúla a mheascadh, rud a thugann údar le hathbhreithniú a dhéanamh ar phasáistí criticiúla. Ní thacaítear le caint chomhuaineach ó bheirt chainteoirí sa leagan reatha, de réir Mistral. Ar deireadh, tá diarization ar fáil freisin i bhfíor-am le voxtral-mini-transcribe-realtime-3 (diarize in session.update, lipéid á n-iompar ag imeachtaí transcription.segment), ach ní féidir le seisiún amháin diarization agus braiteadh casanna a chomhcheangal.

Ainmneacha a thabhairt ar chainteoirí le clipí tagartha

Nuair a bhíonn a fhios agat roimh ré cé atá ag caint—mar shampla, an tgníomhaire agus an custaiméir i ngla tacaíochta—is féidir leat clip gairid de gach guth a sheoladh faoi ainm: iompróidh míreanna ón nguth sin an t-ainm sin in speaker_id ansin, agus tagróidh an t-ainm céanna don duine céanna trasna tras-scríbhinní.

import base64

def en_base64(chemin):
    with open(chemin, "rb") as f:
        return base64.b64encode(f.read()).decode()

with open("appel_support.wav", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "appel_support.wav"},
        diarize=True,
        timestamp_granularities=["segment"],
        speaker_references={
            "conseiller": en_base64("ref_conseiller.wav"),
            "client": en_base64("ref_client.wav"),
        },
    )

De réir doiciméadú Mistral, ba chóir go mbeadh gach clip idir 3 agus 15 soicind ar fad agus go mbeadh 85% cainte ann ar a laghad; is féidir leat suas le 8 a sholáthar, agus ní mór nach sáraíonn líon iomlán na gcainteoirí, tagartha nó braite, 10. Glactar le WAV, Opus, MP3, agus FLAC, agus tugann formáidí gan chaillteanas na torthaí is fearr; dá fhearr a mheaitseálann coinníollacha taifeadta an chlip coinníollacha na fuaime, is amhlaidh is fearr an mheaitseáil. Coinníonn cainteoir gan tagairt lipéad ginearálta. Éilíonn tagairtí diarize=True, oibríonn siad i bhfíor-am freisin (speaker_references in session.update), agus filleann samhail nach nglacann leo earráid.

Príomhphointí

  • Cumasaigh diarization le diarize=True—paraiméadar amháin
  • Tá timestamp_granularities=["segment"] ag teastáil le diarization
  • Áirítear réimse speaker_id i ngach mír (speaker_1, speaker_2, srl.)
  • Mapáil aithneoirí le hainmneacha fíora, nó tabhair ainmneacha ar ghuthanna aitheanta le speaker_references
  • Bain leas as staitisticí: am cainte, líon na gcasanna, líon na bhfocal
  • Oibríonn diarization as líne agus i bhfíor-am, ach ní le braiteadh casanna sa seisiún céanna