Oznake vremena i vremenska segmentacija
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., zamijenjeni su u primjerima modelimavoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3ivoxtral-mini-tts-3-0. Ključne promjene: oznake vremena dostupne su samo po segmentima (wordvraća pogrešku 400), dijalogizacija je moguća u stvarnom vremenu, postavke sesije u stvarnom vremenu zaključane su nakon prvog audio isječka, a unosicontext_biassu slobodnog oblika (fraze s razmacima). Izvori: Migrate from Voxtral 2 · Speech to Text.
Strukturiranje transkripcije kroz vrijeme
Sirovi transkript koristan je, ali transkript s oznakama vremena otvara mnogo bogatije mogućnosti: izradu titlova, vremensku navigaciju, sinkronizaciju videa i izdvajanje određenih odlomaka. Bez oznaka vremena, pronalaženje trenutka kada se raspravljalo o proračunu u dvosatnoj snimci zahtijeva nagađanje; s njima, to je jednostavno pretraživanje teksta praćeno klikom. Parametar timestamp_granularities u Voxtralu daje ti tu moć.
Granularnost segmenta: govorni blok
Segment je neprekidni blok govora – obično rečenica ili skupina rečenica izgovorenih bez značajne pauze. To je granularnost koju ćeš odabrati prema zadanim postavkama jer odgovara prirodnoj jedinici čitanja.
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"]
)
# Iteracija kroz segmente
for seg in response.segments:
start = f"{seg.start:.1f}s"
end = f"{seg.end:.1f}s"
print(f"[{start} → {end}] {seg.text}")
Izgled ispisa je sljedeći:
[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.
Ova raščlamba podržava navigaciju u dugim snimkama, prikaz blokova titlova i indeksiranje odlomaka: svaki segment postaje stavka koju se može pretraživati s pripadajućom ulaznom točkom u audiozapisu.
Što je s granularnošću po riječima?
Voxtral 2 mogao je označiti vrijeme svake riječi (timestamp_granularities=["word"]). Voxtral 3 to više ne nudi: granularnost word vraća pogrešku 400, a Mistralov vodič za migraciju upućuje korisnike da prijeđu na segmente. Slučajevi uporabe koji su zahtijevali poravnanje riječ-po-riječ – titlovi u stilu karaoka, isticanje trenutne riječi, analiza brzine govora na finoj razini – sada se moraju osloniti na segmente, potencijalno raspodjeljujući vrijeme segmenta među njegovim riječima putem procjene na strani klijenta.
def estimer_mots(segment):
"""Raspodjeljuje trajanje segmenta među njegovim riječima, proporcionalno njihovoj duljini (procjena)."""
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
Ovo je aproksimacija, korisna za progresivni prikaz, ali ne i za prozodijsku analizu: ako je precizno poravnanje riječi bitno, rješenje ostaje namjenski alat za prisilno poravnanje primijenjen nakon transkripcije.
Generiranje SRT titlova
SRT format nije ništa misteriozno: redni broj, vremenski raspon u formatu HH:MM:SS,mmm, tekst i prazan redak. Donja funkcija iterira kroz segmente i dijeli one koji bi premašili ugodnu širinu prikaza, ovdje postavljenu na šezdeset znakova.
def generate_srt_from_segments(segments, max_chars=60):
"""Generira SRT datoteku iz Voxtralovih segmenata."""
srt_lines = []
counter = 1
for seg in segments:
words = seg.text.strip()
if not words:
continue
# Dijeljenje predugačkih segmenata
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):
"""Pretvara sekunde u SRT format (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}"
# Uporaba
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 datoteka uspješno generirana")
Navigacija dugim snimkama
Druga izravna primjena segmenata je izrada vremenskog sažetka. Sljedeća skripta označava kontrolnu točku svakih pet minuta i prikazuje prvih nekoliko riječi, čitatelju dajući kartu snimke prije nego što je uopće posluša.
def create_temporal_index(segments, interval_minutes=5):
"""Stvara indeks svakih N minuta."""
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
# Uporaba
for entry in create_temporal_index(response.segments, interval_minutes=5):
print(entry)
Kod Voxtrala 2, timestamp_granularities bio je nekompatibilan s parametrom language. Dokumentacija za Voxtral 3 više ne spominje ovo ograničenje: provjeri ga testom prije kombiniranja ta dva parametra u proizvodnoj obradi.
Ključne točke
- Samo jedna granularnost s Voxtralom 3:
"segment"("word"vraća pogrešku 400) - Poravnanje riječ-po-riječ, ako je potrebno, procjenjuje se iz segmenata ili se rješava alatom za poravnanje
- Oznake vremena su u sekundama (decimalni brojevi), s
startiendza svaki segment - Idealno za titlovanje u formatu SRT/VTT, vremensku navigaciju i indeksiranje
- Nekompatibilnost s
languageiz Voxtrala 2 više nije dokumentirana: provjeri je testom