Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Diarisation: Identifika Min Qed Jitkellem

Lezzjoni 7 / 16 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. X’inhi d-diarisation
  2. Attiva d-diarisation
  3. Uża r-riżultati
  4. Iġġenera rapport strutturat
  5. Mur sal-analiżi sħiħa
  6. X’ma tagħmilx id-diarisation
  7. Semmi lill-kelliema b’klipps ta’ referenza
  8. Punti Ewlenin

Kors aġġornat fit-3 ta’ Novembru 2026 għal Voxtral 3, ibbażat fuq il-gwida ta’ Mistral Migrate from Voxtral 2: Il-mudelli Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603, iddeprekati 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-timstamps huma biss għas-segmenti (word jirritorna żball 400), id-diarisation hija disponibbli 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’ispazji). Sorsi: Migrate from Voxtral 2 · Speech to Text. Żieda ibbażata fuq il-gwida Diarize speakers: it-tikketti jibdew minn speaker_1 (mhux speaker_0), il-qasam jismu speaker_id, il-klipps ta’ referenza (speaker_references) jħalluk tsemmi kelliema magħrufa, u d-diarisation taħdem f’ħin reali, kuntrarjament għal dak li kien qal il-verżjoni preċedenti. Sorsi: Diarize speakers · Speakers and diarization.

X’inhi d-diarisation

Id-diarisation (speaker diarization) hija l-kapaċità li tidentifika u tissepara kelliema differenti f’rekordjar awdjo. Il-mudell awtomatikament jassenja identifikatur għal kull vuċi distinta u jaqsam it-traskrizzjoni skont dan.

Il-valur miżjud huwa sinifikanti. Laqgħa ta’ ħames persuni traskritta mingħajr diarisation toħroġ bħala blokk ta’ test fejn ħadd ma jkun jaf min għamel liema impenn; l-istess laqgħa, b’diarisation, issir rekord attribwibbli. Għalhekk din il-karatteristika hija essenzjali għal kull rekordjar b’ħafna kelliema: laqgħat, intervisti, sejħiet telefoniċi, dibattiti u diskussjonijiet ta’ panel.

Attiva d-diarisation

Parametru wieħed huwa biżżejjed: diarize=True.

import os
from mistralai.client import Mistral

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

with open("reunion_equipe.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "reunion_equipe.mp3"},
        diarize=True,
        timestamp_granularities=["segment"]
    )

Id-diarisation taħdem id f’id mat-timstamps fil-livell tas-segment: is-segment iġorr l-informazzjoni. Kull segment irritornat issa jinkludi qasam speaker_id li jidentifika l-kelliem; mingħajr timstamps fil-livell tas-segment, it-talba tfalli.

Uża r-riżultati

L-aktar wirja sempliċi tgħaddi minn ġo s-segmenti u tippreċedi kull dikjarazzjoni bl-awtur u t-timestamp tagħha.

for seg in response.segments:
    temps = f"{seg.start:.1f}s"
    print(f"[{temps}] {seg.speaker_id} : {seg.text}")

L-output jidher hekk:

[0.0s] speaker_1 : Bonjour à tous, on commence la réunion hebdomadaire.
[3.2s] speaker_1 : Julien, tu veux commencer avec le point technique ?
[5.8s] speaker_2 : Oui, alors cette semaine on a finalisé la migration.
[12.4s] speaker_2 : Tout est déployé en production depuis mercredi.
[15.1s] speaker_3 : Super, et côté performances, on a vu une amélioration ?
[18.3s] speaker_2 : Oui, le temps de réponse a baissé de trente pour cent.

Il-kelliema huma identifikati bħala speaker_1, speaker_2, u hekk далее. Dawn it-tikketti huma validi biss fi ħdan traskrizzjoni waħda: speaker_1 f’fajl wieħed u speaker_1 fil-li jmiss mhux neċessarjament huma l-istess persuna. Mingħajr referenzi, il-mudell ma jafx l-ismijiet—inti timmappja dawn l-identifikaturi ma’ nies reali, pereżempju wara li tisma’ l-ewwel ftit sekondi, billi tuża dizzjunarju sempliċi.

# Immappja l-identifikaturi mal-ismijiet reali
noms_locuteurs = {
    "speaker_1": "Marie (Manager)",
    "speaker_2": "Julien (Tech Lead)",
    "speaker_3": "Sarah (Product)",
}

for seg in response.segments:
    nom = noms_locuteurs.get(seg.speaker_id, seg.speaker_id)
    minutes = int(seg.start // 60)
    secondes = int(seg.start % 60)
    print(f"[{minutes:02d}:{secondes:02d}] {nom}")
    print(f"  {seg.text}\n")

Ladarba l-immappjar ikun fis-seħħ, id-durati tas-segmenti jsiru metriċi. Is-somma ta’ seg.end - seg.start għal kull kelliem tagħtik il-ħin li tkellem kull persuna—kejl li l-faċilitaturi tal-laqgħat u l-maniġers tal-kwalità taċ-ċentri tas-sejħiet jiddependu fuqu.

from collections import defaultdict

temps_parole = defaultdict(float)

for seg in response.segments:
    duree = seg.end - seg.start
    temps_parole[seg.speaker_id] += duree

print("=== Temps de parole ===")
total = sum(temps_parole.values())
for locuteur, duree in sorted(temps_parole.items()):
    nom = noms_locuteurs.get(locuteur, locuteur)
    pourcentage = (duree / total) * 100
    minutes = int(duree // 60)
    secondes = int(duree % 60)
    print(f"{nom} : {minutes}m{secondes:02d}s ({pourcentage:.1f}%)")
=== Temps de parole ===
Marie (Manager) : 8m23s (28.4%)
Julien (Tech Lead) : 12m45s (43.2%)
Sarah (Product) : 8m22s (28.4%)

Iġġenera rapport strutturat

Id-diarisation flimkien mas-segmenti jħalluk toħloq rapport li jinqara direttament. Il-makakka fl-iskript li ġej hija linja waħda: tikteb intestatura ġdida biss meta l-kelliem jinbidel, u tiġbor dawriet konsekuttivi mill-istess persuna minflok ma tifframmentahom.

def generer_compte_rendu(segments, noms):
    """Iġġenera rapport Markdown minn segmenti b'diarisation."""
    lignes = ["# Compte-rendu de réunion\n"]
    locuteur_actuel = None

    for seg in segments:
        nom = noms.get(seg.speaker_id, seg.speaker_id)

        if seg.speaker_id != locuteur_actuel:
            locuteur_actuel = seg.speaker_id
            minutes = int(seg.start // 60)
            secondes = int(seg.start % 60)
            lignes.append(f"\n**{nom}** ({minutes:02d}:{secondes:02d}) :")

        lignes.append(f"  {seg.text}")

    return "\n".join(lignes)

compte_rendu = generer_compte_rendu(response.segments, noms_locuteurs)

with open("compte_rendu.md", "w", encoding="utf-8") as f:
    f.write(compte_rendu)

print("Compte-rendu généré")

Mur sal-analiżi sħiħa

Hawnhekk hemm l-iskript li jiġbor kollox flimkien: traskrizzjoni b’diarisation, statistiċi għal kull kelliem, u output JSON, lest biex jitgħadda lil dashboard jew LLM għas-sommarju.

import os
import json
from collections import defaultdict
from mistralai.client import Mistral

def analyser_reunion(chemin_audio: str, noms: dict = None):
    """Traskrivi u analizza laqgħa sħiħa."""
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Traskrivi b'diarisation
    with open(chemin_audio, "rb") as f:
        response = client.audio.transcriptions.complete(
            model="voxtral-mini-transcribe-3",
            file={"content": f, "file_name": chemin_audio},
            diarize=True,
            timestamp_granularities=["segment"]
        )

    noms = noms or {}

    # Statistiċi
    stats = defaultdict(lambda: {"duree": 0.0, "segments": 0, "mots": 0})
    for seg in response.segments:
        stats[seg.speaker_id]["duree"] += seg.end - seg.start
        stats[seg.speaker_id]["segments"] += 1
        stats[seg.speaker_id]["mots"] += len(seg.text.split())

    # Riżultat
    resultat = {
        "transcription": response.text,
        "nb_locuteurs": len(stats),
        "duree_totale": max(s.end for s in response.segments),
        "statistiques": {
            noms.get(loc, loc): {
                "duree_secondes": round(data["duree"], 1),
                "nb_segments": data["segments"],
                "nb_mots": data["mots"]
            }
            for loc, data in stats.items()
        }
    }

    return resultat

# Użu
resultat = analyser_reunion("reunion.mp3", {
    "speaker_1": "Marie",
    "speaker_2": "Julien",
    "speaker_3": "Sarah"
})

print(json.dumps(resultat["statistiques"], indent=2, ensure_ascii=False))

X’ma tagħmilx id-diarisation

Żomm f’moħħok ftit limiti qabel ma twiegħed riżultat lil klijent. Mingħajr klipps ta’ referenza, il-mudell jiddistingwi l-vuċijiet, mhux in-nies, u l-immappjar jibqa’ r-responsabbiltà tiegħek. Madankollu, jiskopri n-numru ta’ kelliema waħdu—m’għandekx bżonn tispeċifikah. Żewġ vuċijiet simili jistgħu jiġu konfużi, li jiġġustifika r-reviżjoni ta’ passiġġi kritiċi. Klam simultanju minn żewġ kelliema mhuwiex appoġġjat fil-verżjoni attwali, skont Mistral. Fl-aħħar nett, id-diarisation hija disponibbli wkoll f’ħin reali ma’ voxtral-mini-transcribe-realtime-3 (diarize f’session.update, tikketti mġorrin minn avvenimenti transcription.segment), iżda sessjoni waħda ma tistax tgħaqqad id-diarisation u d-detezzjoni tad-dawriet (turn detection).

Semmi lill-kelliema b’klipps ta’ referenza

Meta tkun taf min qabel min se jitkellem—pereżempju, l-aġent u l-klijent f’sejħa ta’ appoġġ—tista’ tibgħat klip qasir ta’ kull vuċi taħt isem: is-segmenti minn dik il-vuċi mbagħad iġorru dak l-isem f’speaker_id, u l-istess isem jirreferi għall-istess persuna mat-traskrizzjonijiet.

import base64

def en_base64(chemin):
    with open(chemin, "rb") as f:
        return base64.b64encode(f.read()).decode()

with open("appel_support.wav", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "appel_support.wav"},
        diarize=True,
        timestamp_granularities=["segment"],
        speaker_references={
            "conseiller": en_base64("ref_conseiller.wav"),
            "client": en_base64("ref_client.wav"),
        },
    )

Skont id-dokumentazzjoni ta’ Mistral, kull klip għandu jkun bejn 3 u 15-il sekonda u jkun fih mill-inqas 85% kliem; tista’ tipprovdi sa 8, u n-numru totali ta’ kelliema, kemm jekk irriferenzjati kif ukoll skoperti, m’għandux jaqbeż l-10. WAV, Opus, MP3 u FLAC huma aċċettati, bil-formati mingħajr telf (lossless) jagħtu l-aħjar riżultati; kemm jekk il-kundizzjonijiet tar-rekordjar tal-klipp ikunu qrib dawk tal-awdjo, aħjar tkun il-korrispondenza. Kelliem mingħajr referenza jżomm tikketta ġenerika. Ir-referenzi jeħtieġu diarize=True, jaħdmu wkoll f’ħin reali (speaker_references f’session.update), u mudell li ma jaċċettahomx jirritorna żball.

Punti Ewlenin

  • Attiva d-diarisation b’diarize=True—parametru wieħed biss
  • timestamp_granularities=["segment"] huwa meħtieġ bid-diarisation
  • Kull segment jinkludi qasam speaker_id (speaker_1, speaker_2, eċċ.)
  • Immappja l-identifikaturi ma’ ismijiet reali, jew semmi vuċijiet magħrufa b’speaker_references
  • Sfrutta l-istatistiċi: ħin ta’ kliem, numru ta’ dawriet, għadd ta’ kliem
  • Id-diarisation taħdem offline u f’ħin reali, iżda mhux mad-detezzjoni tad-dawriet fl-istess sessjoni