Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Timestamps u Segmentazzjoni Temporanja

Lezzjoni 6 / 16 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. L-Istrutturar tat-Traskrizzjoni Maż-Żmien
  2. Granularità tas-Segment: Il-Blokk tad-Diskors
  3. X’inhu mill-Granularità tal-Kelma?
  4. Il-Ġenerazzjoni ta’ Sottotitli SRT
  5. In-Navigazzjoni f’Rekordingi Twal
  6. Punti Ewlenin

Kors aġġornat fit-3 ta’ Novembru 2026 għal Voxtral 3, ibbażat fuq il-gwida Migrate from Voxtral 2 ta’ Mistral: il-mudelli Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603, deprekati fil-31 ta’ Ottubru 2026 u rtirati fit-30 ta’ April 2027) huma mibdula fl-eżempji b’voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3, u voxtral-mini-tts-3-0. Bidliet ewlenin: it-timestamps huma biss fuq livell ta’ segment (word jirritorna żball 400), id-djarizzazzjoni hija possibbli f’ħin reali, is-settings tas-sessjoni f’ħin reali jissakkaw wara l-ewwel biċċa awdjo, u l-inputs ta’ context_bias huma f’forma ħielsa (frażijiet b’spazji). Sorsi: Migrate from Voxtral 2 · Speech to Text.

L-Istrutturar tat-Traskrizzjoni Maż-Żmien

Traskrizzjoni mhux ipproċessata hija utli, iżda traskrizzjoni b’timestamps tiftaħ possibbiltajiet ferm aktar rikki: sottotitli, navigazzjoni temporanja, sinkronizzazzjoni tal-vidjo, u estrazzjoni ta’ passi speċifiċi. Mingħajr timestamps, biex issib il-mument li fih ġie diskuss baġit f’rekording ta’ sagħtejn teħtieġ li tgħamel suppożizzjonijiet; bihom, hija sempliċiment tfittxija fit-test segwita minn klikk. Il-parametru timestamp_granularities ta’ Voxtral jagħtik din is-setgħa.

Granularità tas-Segment: Il-Blokk tad-Diskors

Segment huwa blokk kontinwu ta’ diskors—tipikament sentenza jew grupp ta’ sentenzi mitkellma mingħajr pausa sinifikanti. Din hija l-granularità li tagħżel b’mod default għax tikkorrispondi għall-unità naturali tal-qari.

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 fuq is-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 jidher hekk:

[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.

Din il-ħarsa ġenerali tappoġġja n-navigazzjoni f’rekordingi twal, il-wiri ta’ blokok tas-sottotitli, u l-indiċjar tal-passi: kull segment isir daħla li tista’ tiġi mfittxa bil-punt tad-dħul tagħha fl-awdjo.

X’inhu mill-Granularità tal-Kelma?

Voxtral 2 kien jista’ wkoll ipoġġi timestamp fuq kull kelma (timestamp_granularities=["word"]). Voxtral 3 ma joffrix dan aktar: il-granularità word tirritorna żball 400, u l-gwida ta’ migrazzjoni ta’ Mistral tistruzzjona lill-utenti biex jaqilbu għas-segmenti. Każijiet ta’ użu li kienu jeħtieġu allinjament kelma b’kelma—sottotitli stil karaoke, evidenzjar tal-kelma kurrenti, analiżi fina tar-rata tad-diskors—issa jridu jiddependu fuq is-segmenti, potenzjalment billi jqassmu l-ħin ta’ segment fost il-kliem tiegħu permezz ta’ stima fuq in-naħa tal-klijent.

def estimer_mots(segment):
    """Tqassam id-durata ta' segment fost il-kliem tiegħu, proporzjonali mat-tul tagħhom (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

Din hija approssimazzjoni, utli għal wiri progressiv iżda mhux għal analiżi prosodika: jekk l-allinjament eżatt tal-kliem huwa essenzjali, għodda dedikata ta’ allinjament furzat applikata wara t-traskrizzjoni tibqa’ s-soluzzjoni.

Il-Ġenerazzjoni ta’ Sottotitli SRT

Il-format SRT mhu xejn misterjuż: numru sekwenza, firxa ta’ ħin fil-format HH:MM:SS,mmm, it-test, u linja vojta. Il-funzjoni hawn taħt tgħaddi mis-segmenti u taqsam dawk li jaqbżu wisa’ komdu għall-wiri, stabbilit hawnhekk għal sittin karattru.

def generate_srt_from_segments(segments, max_chars=60):
    """Tiġġenera fajl SRT minn segmenti ta' Voxtral."""
    srt_lines = []
    counter = 1

    for seg in segments:
        words = seg.text.strip()
        if not words:
            continue

        # Aqsam is-segmenti li huma twal wisq
        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):
    """Tikkonverti s-sekondi għall-format 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}"

# Użu
srt_contenu = generate_srt_from_segments(response.segments)
with open("sous_titres.srt", "w", encoding="utf-8") as f:
    f.write(srt_contenu)

print("Fajl SRT iġġenerat b'suċċess")

In-Navigazzjoni f’Rekordingi Twal

Applikazzjoni diretta oħra tas-segmenti hija l-bini ta’ sommarju temporanju. L-iskritt li ġej jimmarka punt ta’ kontroll kull ħames minuti u juri l-ewwel ftit kliem, u jagħti lill-qarrej mappa tar-rekording qabel ma jisma’ xejn minnu.

def create_temporal_index(segments, interval_minutes=5):
    """Toħloq indiċi kull 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

# Użu
for entry in create_temporal_index(response.segments, interval_minutes=5):
    print(entry)

Ma’ Voxtral 2, timestamp_granularities kien inkompatibbli mal-parametru language. Id-dokumentazzjoni ta’ Voxtral 3 ma ssemmix aktar din ir-restrizzjoni: ivverifika b’test qabel ma tgħaqqadhom it-tnejn fl-ipproċessar tal-produzzjoni.

Punti Ewlenin

  • Granularità waħda biss ma’ Voxtral 3: "segment" ("word" jirritorna żball 400)
  • L-allinjament kelma b’kelma, jekk meħtieġ, huwa stmat mis-segmenti jew immaniġġjat minn għodda ta’ allinjament
  • It-timestamps huma f’sekondi (numri deċimali), b’start u end għal kull segment
  • Ideali għas-sottotitlar SRT/VTT, in-navigazzjoni temporanja, u l-indiċjar
  • L-inkompatibbiltà ma’ language minn Voxtral 2 m’għadhiex iddokumentata: ivverifika b’test