Diarisation: Identifika Min Qed Jitkellem
F'din il-paġna
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, uvoxtral-mini-tts-3-0. Bidliet ewlenin: it-timstamps huma biss għas-segmenti (wordjirritorna 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_biashuma f’forma ħielsa (frażijiet b’ispazji). Sorsi: Migrate from Voxtral 2 · Speech to Text. Żieda ibbażata fuq il-gwida Diarize speakers: it-tikketti jibdew minnspeaker_1(mhuxspeaker_0), il-qasam jismuspeaker_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