Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Tava pirmā transkripcijas pieprasījuma veikšana

Nodarbība 5 no 16 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. Tava pirmā transkripcija ar Voxtral
  2. Vides sagatavošana
  3. Lokāla faila transkripcija
  4. Transkripcija no URL
  5. Pāreja uz stabilu versiju
  6. Ko satur atbilde
  7. Galvenās atziņas

Kurss atjaunināts 2026. gada 3. novembrī priekš Voxtral 3, balstoties uz Mistral ceļvedi Migrate from Voxtral 2: Voxtral 2 modeļi (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), kuri tika pārtraukti 2026. gada 31. oktobrī un dzēsti 2027. gada 30. aprīlī, piemēros ir aizstāti ar voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 un voxtral-mini-tts-3-0. Galvenās izmaiņas: laika zīmogi ir tikai segmentu līmenī (word atgriež 400 kļūdu), runātāju atdalīšana (diarization) ir iespējama reāllaikā, reāllaika sesijas iestatījumi tiek fiksēti pēc pirmā audio fragmenta, un context_bias ievades ir brīvas formas (frāzes ar atstarpēm). Avoti: Migrate from Voxtral 2 · Speech to Text.

Tava pirmā transkripcija ar Voxtral

Pietiek ar teoriju. Šajā nodarbībā tu veiksi savu pirmo pilno pieprasījumu bezsaistes transkripcijas API: lokāls audio fails tiek nosūtīts uz Voxtral Mini Transcribe 3, un tu apstrādā atgriezto tekstu. Kods ietilpst dažās rindās, taču pēc tam mēs to pilnveidosim līdz stabilai versijai, kas piemērota automātizētai darbībai.

Vides sagatavošana

Mistral SDK instalēšana prasa tikai vienu komandu. Turpmākā pārbaudes darbība pasargā tevi no importēšanas kļūdu meklēšanas vēlāk.

# Instalē Mistral SDK
pip install mistralai

# Pārbaudi instalāciju
python -c "from mistralai.client import Mistral; print('SDK installed')"

Tev būs nepieciešama Mistral API atslēga. Izveido to vietnē console.mistral.ai un saglabā to vides mainīgajā, nevis iekodē to tieši programmā:

export MISTRAL_API_KEY="your-api-key-here"

Lokāla faila transkripcija

Lūk, pilns kods lokāla audio faila transkripcijai:

import os
from mistralai.client import Mistral

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

# Atver un transkribē audio failu
with open("mon_audio.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "mon_audio.mp3"}
    )

# Parādi rezultātu
print("=== Transkripcija ===")
print(response.text)

Tas arī viss. Četrās aktīvā koda rindās tu iegūsti pilnu sava audio faila transkripciju.

Iziesim cauri šīm četrām rindām. Mistral(api_key=...) izveido klientu ar tavu API atslēgu; tas ir objekts, ko atkārtoti izmantosi visiem turpmākajiem pieprasījumiem. open("mon_audio.mp3", "rb") atver failu binārā režīmā, kas audio gadījumā ir obligāti — ja izlaidīsi b, radīsies dekodēšanas kļūda, kuru ir grūti interpretēt. Parametrs file={"content": f, "file_name": "..."} sagaida vārdnīcu, kas satur faila objektu un tā nosaukumu; šis nosaukums nav tikai dekorācija, tas palīdz serverim noteikt formātu. Visbeidzot, response.text satur pilnu transkripciju kā virkni.

Transkripcija no URL

Ja tavs audio fails jau ir izvietots tiešsaistē, file vietā izmanto file_url:

import os
from mistralai.client import Mistral

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

response = client.audio.transcriptions.complete(
    model="voxtral-mini-transcribe-3",
    file_url="https://example.com/mon_audio.mp3"
)

print(response.text)

URL ir jābūt publiski pieejamam. Mistral serveris lejupielādēs failu tieši, tādējādi izvairoties no audio maršrutēšanas caur tavu ierīci, kad tas jau atrodas mākonī — tas ir būtisks joslas platuma ietaupījums, strādājot ar vairāku simtu failu katalogu.

Pāreja uz stabilu versiju

Minimālais skripts der testēšanai. Ražošanas vidē tev ir jāapstrādā trūkstoši faili, negaidīti formāti, trūkstošas atslēgas un tīkla kļūdas. Turpmākais skripts pirms pieprasījuma veikšanas veic šīs pārbaudes un pēc tam saglabā rezultātu.

import os
import sys
from pathlib import Path
from mistralai.client import Mistral

def transcrire_audio(chemin_fichier: str) -> str:
    """Transkribē audio failu, izmantojot Voxtral Mini Transcribe 3."""

    # Pārbaudi, vai fails eksistē
    fichier = Path(chemin_fichier)
    if not fichier.exists():
        raise FileNotFoundError(f"Fichier introuvable : {chemin_fichier}")

    # Pārbaudi paplašinājumu
    extensions_valides = {".mp3", ".wav", ".flac", ".ogg", ".m4a", ".webm"}
    if fichier.suffix.lower() not in extensions_valides:
        raise ValueError(
            f"Format non supporté : {fichier.suffix}. "
            f"Formats valides : {', '.join(extensions_valides)}"
        )

    # Pārbaudi izmēru (praktiska robeža: ~200 MB)
    taille_mo = fichier.stat().st_size / (1024 * 1024)
    if taille_mo > 200:
        print(f"Attention : fichier volumineux ({taille_mo:.1f} Mo)")

    # Inicilizē klientu
    api_key = os.environ.get("MISTRAL_API_KEY")
    if not api_key:
        raise EnvironmentError("Variable MISTRAL_API_KEY non définie")

    client = Mistral(api_key=api_key)

    # Transkribē
    try:
        with open(chemin_fichier, "rb") as f:
            response = client.audio.transcriptions.complete(
                model="voxtral-mini-transcribe-3",
                file={"content": f, "file_name": fichier.name}
            )
        return response.text
    except Exception as e:
        raise RuntimeError(f"Erreur de transcription : {e}")

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("Usage : python transcrire.py <fichier_audio>")
        sys.exit(1)

    chemin = sys.argv[1]
    print(f"Transcription de : {chemin}")
    print("-" * 50)

    texte = transcrire_audio(chemin)
    print(texte)

    # Saglabā teksta failā
    sortie = Path(chemin).stem + "_transcription.txt"
    Path(sortie).write_text(texte, encoding="utf-8")
    print(f"\nTranscription sauvegardée dans : {sortie}")

Palaid to no terminaļa, norādot faila ceļu:

python transcribe.py meeting_march15.mp3

Skripts pārbauda failu, transkribē to, parāda rezultātu un automātiski saglabā to .txt failā ar tādu pašu pamatnosaukumu. Tagad tev ir pamatstruktūra partijas apstrādei: veic ciklu caur direktoriju, un tavs audio arhīvs pārvēršas meklējamā teksta arhīvā.

Ko satur atbilde

Objekts response neaprobežojas tikai ar tekstu. Tas nodrošina arī apstrādātā audio ilgumu un modeļa noteikto valodu — divas noderīgas informācijas daļas, lai reģistrētu savus uzdevumus un atklātu failus, kas nav paredzētajā valodā.

# Pilns teksts
print(response.text)

# Audio ilgums (sekundēs)
print(f"Durée : {response.duration:.1f}s")

# Noteiktā valoda
print(f"Langue : {response.language}")

Labākais veids, kā novērtēt modeļa kvalitāti, ir to pārbaudīt uz savas balss. Ieraksti balss ziņojumu, kas ilgst no trīsdesmit sekundēm līdz divām minūtēm, palaid iepriekš minēto skriptu un salīdzini rezultātu vārds vārdā ar to, ko teici: tu uzreiz redzēsi, kur slēpjas retās kļūdas, kas gandrīz vienmēr attiecas uz īpašvārdiem. Pēc tam atkārto vingrinājumu ar failu citā valodā, nemainot kodu, lai novērotu automātisko valodas noteikšanu darbībā.

Galvenās atziņas

  • Minimālais pieprasījums prasa 4 rindas: klients, faila atvēršana, API izsaukums, rezultāta nolasīšana
  • Divi nosūtīšanas režīmi: lokāls fails (file) vai URL (file_url)
  • Faila nosaukums vārdnīcā file palīdz noteikt formātu
  • Ražošanas vidē pievieno kļūdu apstrādi (trūkstošs fails, nederīgs formāts, tīkla kļūda)
  • response.text vienmēr satur pilnu transkripciju kā virkni