Snimanje mikrofona s PyAudijem
Na ovoj stranici
Tečaj ažuriran 3. studenoga 2026. za Voxtral 3, na temelju Mistralovog vodiča Migrate from Voxtral 2: modeli Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), zastarjeli 31. listopada 2026. i povučeni 30. travnja 2027., u primjerima su zamijenjeni modelimavoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3ivoxtral-mini-tts-3-0. Ključne promjene: vremenske oznake su samo po segmentima (wordvraća grešku 400), podržana je dijatizacija u stvarnom vremenu, postavke sesije u stvarnom vremenu zaključane su nakon prvog audio isječka, a unosicontext_biassu fleksibilni (fraze s razmacima). Izvori: Migrate from Voxtral 2 · Speech to Text.
Od datoteke do mikrofona
Prethodna lekcija uspostavila je arhitekturu u kojoj je audio izvor jednostavan, zamjenjivi asinkroni generator. To ćeš odmah iskoristiti: zamjenom generatora koji čita datoteku onim koji čita sa tvoje zvučne kartice, tvoj program počinje transkribirati tvoj glas uživo, a da pritom ne mijenjaš niti jedan redak ostatka koda.
Alat za ovu lekciju je PyAudio, standardna Python knjižnica za pristup audio uređajima. Oslanja se na PortAudio, nativni sloj koji možda trebaš instalirati zasebno, ovisno o tvom sustavu.
Instalacija PyAudija
# Linux (Debian/Ubuntu)
sudo apt-get install portaudio19-dev
pip install pyaudio
# macOS
brew install portaudio
pip install pyaudio
# Windows
pip install pyaudio
Generator mikrofona
Srž ove lekcije stane u tridesetak redaka. Funkcija otvara ulazni stream na zadanom uređaju, beskonačno petlja čitajući blokove fiksne veličine i predaje svaki od njih motoru za transkripciju. Blok finally nije dekorativan: on jamči da se stream zaustavi, zatvori i da PyAudio oslobodi hardver čak i ako se program naglo prekine. Bez njega, mikrofon može ostati zaključan, blokirajući druge aplikacije.
import asyncio
import pyaudio
async def iter_microphone(
sample_rate: int = 16000,
chunk_duration_ms: int = 480
):
"""Snimanje mikrofona i predaja PCM isječaka.
Args:
sample_rate: Frekvencija uzorkovanja (16000 Hz za Voxtral)
chunk_duration_ms: Trajanje svakog isječka u milisekundama
Yields:
bytes: 16-bitni mono PCM audio isječci
"""
p = pyaudio.PyAudio()
# Broj uzoraka po isječku
chunk_samples = int(sample_rate * chunk_duration_ms / 1000)
# Otvaranje streama mikrofona
stream = p.open(
format=pyaudio.paInt16, # 16-bitni PCM
channels=1, # Mono
rate=sample_rate, # 16 kHz
input=True, # Način snimanja
frames_per_buffer=chunk_samples
)
loop = asyncio.get_running_loop()
try:
print("Mikrofon aktivan — govori...")
while True:
# Čitanje isječka bez blokiranja
data = await loop.run_in_executor(
None,
stream.read,
chunk_samples,
False # exception_on_overflow
)
yield data
finally:
stream.stop_stream()
stream.close()
p.terminate()
print("Mikrofon zatvoren")
Svaki parametar ima specifičan razlog. sample_rate=16000 odražava zahtjev modela, a ne preferenciju: Voxtral očekuje 16 kHz, stoga nemoj mijenjati tu vrijednost. pyaudio.paInt16 odgovara predznačenom 16-bitnom PCM formatu, točno ekvivalentnom pcm_s16le deklariranom na strani API-ja, a channels=1 nameće mono, što je također obavezno. Preostaje chunk_duration_ms=480, jedina doista diskutabilna postavka: svaki isječak predstavlja 480 milisekundi zvuka, što je dobar kompromis između odzivnosti i mrežne učinkovitosti. Kraći isječak, recimo 100 ms, poboljšava odzivnost, ali umnožava mrežne zahtjeve; duži isječak štedi propusnost uz cijenu dodane latencije prije nego model vidi audio.
Poziv loop.run_in_executor također zaslužuje objašnjenje. stream.read je blokirajuća funkcija: drži nit dok nije dostupan traženi broj uzoraka. Njezino izravno pokretanje u korutini zamrznulo bi cijelu asyncio petlju, uključujući primanje događaja transkripcije. Prebacivanjem na izvršitelja (executor), čitanje činiš kompatibilnim s ostatkom asinkronog programa.
Izračun veličine bloka mehanički slijedi iz dviju postavki, za sample_rate=16000 i chunk_duration_ms=480:
chunk_samples = 16000 × 480 / 1000 = 7680 uzoraka
byte_size = 7680 × 2 bajta = 15360 bajtova po isječku
Cjeloviti program: Od mikrofona do transkripcije
Sljedeća skripta kombinira snimanje i transkripciju u alat za diktiranje spreman za uporabu. Novi element u usporedbi s prethodnim generatorom je uredno rukovanje gašenjem: handler signala presreće Ctrl+C, prebacuje zastavicu running na False, čime se izlazi iz petlje snimanja, zatvara stream i omogućuje programu spremanje akumuliranog teksta. Bez ovog mehanizma, prekid s tipkovnice ubio bi proces prije spremanja i izgubio bi diktat.
import asyncio
import os
import signal
from mistralai.client import Mistral
from mistralai.client.models import (
AudioFormat,
TranscriptionStreamTextDelta,
TranscriptionStreamDone
)
import pyaudio
# Zastavica za uredno gašenje
running = True
def signal_handler(sig, frame):
global running
print("\n\nGašenje...")
running = False
signal.signal(signal.SIGINT, signal_handler)
async def iter_microphone(sample_rate=16000, chunk_duration_ms=480):
"""Snimanje mikrofona dok se ne prekine (Ctrl+C)."""
p = pyaudio.PyAudio()
chunk_samples = int(sample_rate * chunk_duration_ms / 1000)
stream = p.open(
format=pyaudio.paInt16,
channels=1,
rate=sample_rate,
input=True,
frames_per_buffer=chunk_samples
)
loop = asyncio.get_running_loop()
try:
while running:
data = await loop.run_in_executor(
None, stream.read, chunk_samples, False
)
yield data
finally:
stream.stop_stream()
stream.close()
p.terminate()
async def main():
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
print("=" * 50)
print("TRANSKRIPCIJA UŽIVO")
print("Govori u mikrofon (Ctrl+C za zaustavljanje)")
print("=" * 50)
print()
full_text = []
async for event in client.audio.realtime.transcribe_stream(
audio_stream=iter_microphone(),
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
):
if isinstance(event, TranscriptionStreamTextDelta):
print(event.text, end="", flush=True)
full_text.append(event.text)
elif isinstance(event, TranscriptionStreamDone):
break
# Spremanje
final_text = "".join(full_text)
if final_text.strip():
with open("dictee.txt", "w", encoding="utf-8") as f:
f.write(final_text)
print(f"\n\nTranskripcija spremljena u dictee.txt")
print(f"Duljina: {len(final_text)} znakova")
else:
print("\n\nNema transkribiranog teksta.")
asyncio.run(main())
Pokreni ga, govori, zaustavi s Ctrl+C: tekst se pojavljuje dok govoriš, a zatim završava u dictee.txt.
python dictee_vocale.py
# Govori u svoj mikrofon
# Tekst se pojavljuje u stvarnom vremenu
# Ctrl+C za zaustavljanje
Isprobaj to s otprilike trideset sekundi neprekidnog francuskog jezika, mijenjajući tempo, i usporedi ono što si rekao s onim što datoteka sadrži. To je najbolji način da kalibriraš svoja očekivanja prije podešavanja latencije u sljedećoj lekciji.
Odabir ispravnog uređaja
Na stroju s ugrađenim mikrofonom, USB slušalicama i web-kamerom, zadani uređaj nije uvijek onaj koji misliš da jest, a prazna transkripcija obično proizlazi iz tog detalja. Prvo izlistaj dostupne ulaze s njihovim indeksom:
def list_microphones():
"""Izlistavanje svih dostupnih ulaznih audio uređaja."""
p = pyaudio.PyAudio()
print("Dostupni ulazni uređaji:")
for i in range(p.get_device_count()):
info = p.get_device_info_by_index(i)
if info["maxInputChannels"] > 0:
print(f" [{i}] {info['name']} "
f"(kanali: {info['maxInputChannels']}, "
f"frekvencija: {int(info['defaultSampleRate'])} Hz)")
p.terminate()
list_microphones()
Zatim jednostavno nametni odabrani indeks pri otvaranju streama, putem parametra input_device_index:
stream = p.open(
format=pyaudio.paInt16,
channels=1,
rate=sample_rate,
input=True,
input_device_index=2, # Indeks uređaja
frames_per_buffer=chunk_samples
)
Ključne točke
- PyAudio snima mikrofon u 16-bitnom mono PCM-u na 16 kHz, točno onako kako Voxtral očekuje
- Generator
iter_microphoneprema zadanim postavkama predaje isječke od 480 ms loop.run_in_executorčini čitanje mikrofona neblokirajućim u asinkronom okruženju- Ctrl+C uredno zaustavlja snimanje putem handlera signala
- Izlistaj uređaje s
get_device_count()kako bi odabrao pravi mikrofon