Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Oznake vremena i vremenska segmentacija

Lekcija 6 od 16 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Strukturiranje transkripcije kroz vrijeme
  2. Granularnost segmenta: govorni blok
  3. Što je s granularnošću po riječima?
  4. Generiranje SRT titlova
  5. Navigacija dugim snimkama
  6. Ključne točke

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 modelima voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 i voxtral-mini-tts-3-0. Ključne promjene: oznake vremena dostupne su samo po segmentima (word vraća pogrešku 400), dijalogizacija je moguća u stvarnom vremenu, postavke sesije u stvarnom vremenu zaključane su nakon prvog audio isječka, a unosi context_bias su 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")

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 start i end za svaki segment
  • Idealno za titlovanje u formatu SRT/VTT, vremensku navigaciju i indeksiranje
  • Nekompatibilnost s language iz Voxtrala 2 više nije dokumentirana: provjeri je testom