Timestamp e segmentazione temporale
In questa pagina
Corso aggiornato il 3 novembre 2026 per Voxtral 3, basato sulla guida Migrate from Voxtral 2 di Mistral: i modelli Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), deprecati il 31 ottobre 2026 e ritirati il 30 aprile 2027, sono sostituiti negli esempi davoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3evoxtral-mini-tts-3-0. Cambiamenti chiave: i timestamp sono solo a livello di segmento (wordrestituisce un errore 400), la diarizzazione è possibile in tempo reale, le impostazioni della sessione in tempo reale sono bloccate dopo il primo chunk audio e gli inputcontext_biassono in formato libero (frasi con spazi). Fonti: Migrate from Voxtral 2 · Speech to Text.
Strutturare la trascrizione nel tempo
Una trascrizione grezza è utile, ma una trascrizione con timestamp apre possibilità molto più ricche: sottotitolaggio, navigazione temporale, sincronizzazione video ed estrazione di passaggi specifici. Senza timestamp, trovare il momento in cui si è discusso del budget in una registrazione di due ore richiede congetture; con i timestamp, basta una ricerca testuale seguita da un clic. Il parametro timestamp_granularities di Voxtral ti dà questo potere.
Granularità del segmento: il blocco di parlato
Un segmento è un blocco continuo di parlato, tipicamente una frase o un gruppo di frasi pronunciate senza una pausa significativa. Questa è la granularità che sceglierai di default perché corrisponde all’unità naturale di lettura.
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"]
)
# Itera attraverso i segmenti
for seg in response.segments:
start = f"{seg.start:.1f}s"
end = f"{seg.end:.1f}s"
print(f"[{start} → {end}] {seg.text}")
L’output appare così:
[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.
Questa suddivisione supporta la navigazione in registrazioni lunghe, la visualizzazione a blocchi dei sottotitoli e l’indicizzazione dei passaggi: ogni segmento diventa una voce ricercabile con il suo punto di ingresso nell’audio.
E la granularità per parola?
Voxtral 2 poteva anche assegnare timestamp a ogni parola (timestamp_granularities=["word"]). Voxtral 3 non offre più questa funzionalità: la granularità word restituisce un errore 400 e la guida di migrazione di Mistral istruisce gli utenti a passare ai segmenti. I casi d’uso che richiedevano un allineamento parola per parola, come sottotitoli stile karaoke, l’evidenziazione della parola corrente o l’analisi fine della velocità del parlato, devono ora affidarsi ai segmenti, distribuendo potenzialmente il tempo di un segmento tra le sue parole tramite una stima lato client.
def estimer_mots(segment):
"""Distribuisce la durata di un segmento tra le sue parole, proporzionalmente alla loro lunghezza (stima)."""
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
Questa è un’approssimazione, utile per la visualizzazione progressiva ma non per l’analisi prosodica: se un allineamento esatto per parola è essenziale, uno strumento dedicato di allineamento forzato applicato dopo la trascrizione rimane la soluzione.
Generare sottotitoli SRT
Il formato SRT non ha nulla di misterioso: un numero sequenziale, un intervallo di tempo nel formato HH:MM:SS,mmm, il testo e una riga vuota. La funzione seguente itera attraverso i segmenti e divide quelli che supererebbero una larghezza di visualizzazione confortevole, impostata qui a sessanta caratteri.
def generate_srt_from_segments(segments, max_chars=60):
"""Genera un file SRT dai segmenti Voxtral."""
srt_lines = []
counter = 1
for seg in segments:
words = seg.text.strip()
if not words:
continue
# Dividi i segmenti troppo lunghi
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):
"""Converte i secondi nel formato SRT (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}"
# Utilizzo
srt_contenu = generate_srt_from_segments(response.segments)
with open("sous_titres.srt", "w", encoding="utf-8") as f:
f.write(srt_contenu)
print("File SRT generato con successo")
Navigare nelle registrazioni lunghe
Un’altra applicazione diretta dei segmenti è la creazione di un sommario temporale. Lo script seguente segna un punto di controllo ogni cinque minuti e visualizza le prime parole, fornendo al lettore una mappa della registrazione prima ancora di ascoltarla.
def create_temporal_index(segments, interval_minutes=5):
"""Crea un indice ogni N minuti."""
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
# Utilizzo
for entry in create_temporal_index(response.segments, interval_minutes=5):
print(entry)
Con Voxtral 2, timestamp_granularities era incompatibile con il parametro language. La documentazione di Voxtral 3 non menziona più questa restrizione: verificala con un test prima di combinare i due parametri nell’elaborazione in produzione.
Punti chiave
- Una sola granularità con Voxtral 3:
"segment"("word"restituisce un errore 400) - L’allineamento parola per parola, se necessario, viene stimato dai segmenti o gestito da uno strumento di allineamento
- I timestamp sono in secondi (numeri decimali), con
startedendper ogni segmento - Ideale per sottotitolaggio SRT/VTT, navigazione temporale e indicizzazione
- L’incompatibilità con
languagepresente in Voxtral 2 non è più documentata: verificala con un test