Znaczniki czasu i segmentacja temporalna
Na tej stronie
Kurs zaktualizowany 3 listopada 2026 r. dla Voxtral 3, na podstawie przewodnika Mistral Migrate from Voxtral 2: modele Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), wycofane 31 października 2026 r. i całkowicie usunięte 30 kwietnia 2027 r., zostały zastąpione w przykładach modelamivoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3orazvoxtral-mini-tts-3-0. Kluczowe zmiany: znaczniki czasu dotyczą wyłącznie segmentów (wordzwraca błąd 400), diarization jest możliwy w czasie rzeczywistym, ustawienia sesji czasu rzeczywistego są blokowane po pierwszym fragmencie audio, a dane wejściowecontext_biasmają dowolną formę (frazy ze spacjami). Źródła: Migrate from Voxtral 2 · Speech to Text.
Strukturyzacja transkrypcji w czasie
Surowy tekst transkrypcji jest użyteczny, ale transkrypcja ze znacznikami czasu otwiera znacznie bogatsze możliwości: tworzenie napisów, nawigację temporalną, synchronizację z wideo oraz ekstrakcję konkretnych fragmentów. Bez znaczników czasu odnalezienie momentu, w którym dyskutowano o budżecie w dwugodzinnym nagraniu, wymaga zgadywania; z nimi jest to po prostu wyszukiwanie tekstowe i jedno kliknięcie. Parametr timestamp_granularities w Voxtral daje Ci tę moc.
Granularność segmentu: blok mowy
Segment to ciągły blok mowy – zazwyczaj zdanie lub grupa zdań wypowiedzianych bez znaczącej pauzy. Jest to granularność, którą wybierzesz domyślnie, ponieważ odpowiada naturalnej jednostce czytania.
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"]
)
# Iteracja przez segmenty
for seg in response.segments:
start = f"{seg.start:.1f}s"
end = f"{seg.end:.1f}s"
print(f"[{start} → {end}] {seg.text}")
Wynik wygląda następująco:
[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.
Taki podział wspiera nawigację w długich nagraniach, wyświetlanie bloków napisów i indeksowanie fragmentów: każdy segment staje się wyszukiwalnym wpisem z określonym punktem wejścia w audio.
A co z granularnością na poziomie słowa?
Voxtral 2 potrafił również oznaczać czasowo każde słowo (timestamp_granularities=["word"]). Voxtral 3 tego już nie oferuje: granularność word zwraca błąd 400, a przewodnik migracyjny Mistral instruuje użytkowników, by przeszli na segmenty. Przypadki użycia wymagające wyrównania słowo po słowie – napisy w stylu karaoke, podświetlanie bieżącego słowa, szczegółowa analiza tempa mowy – muszą teraz opierać się na segmentach, potencjalnie rozdzielając czas trwania segmentu między jego słowa za pomocą estymacji po stronie klienta.
def estimer_mots(segment):
"""Rozdziela czas trwania segmentu między jego słowa, proporcjonalnie do ich długości (szacunek)."""
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
Jest to przybliżenie, przydatne do wyświetlania progresywnego, ale nie do analizy prozodyjnej: jeśli dokładne wyrównanie słów jest kluczowe, rozwiązaniem pozostaje dedykowane narzędzie do wymuszonego wyrównania (forced alignment) zastosowane po transkrypcji.
Generowanie napisów w formacie SRT
Format SRT nie jest niczym tajemniczym: numer sekwencyjny, zakres czasu w formacie HH:MM:SS,mmm, tekst i pusta linia. Poniższa funkcja iteruje przez segmenty i dzieli te, które przekroczyłyby komfortową szerokość wyświetlania, ustawioną tutaj na sześćdziesiąt znaków.
def generate_srt_from_segments(segments, max_chars=60):
"""Generuje plik SRT z segmentów Voxtral."""
srt_lines = []
counter = 1
for seg in segments:
words = seg.text.strip()
if not words:
continue
# Podział zbyt długich segmentów
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):
"""Konwertuje sekundy na 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}"
# Użycie
srt_contenu = generate_srt_from_segments(response.segments)
with open("sous_titres.srt", "w", encoding="utf-8") as f:
f.write(srt_contenu)
print("Plik SRT wygenerowany pomyślnie")
Nawigacja po długich nagraniach
Kolejnym bezpośrednim zastosowaniem segmentów jest budowanie podsumowania temporalnego. Poniższy skrypt oznacza punkt kontrolny co pięć minut i wyświetla kilka pierwszych słów, dając czytelnikowi mapę nagrania jeszcze przed jego odsłuchaniem.
def create_temporal_index(segments, interval_minutes=5):
"""Tworzy indeks co N minut."""
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
# Użycie
for entry in create_temporal_index(response.segments, interval_minutes=5):
print(entry)
W Voxtral 2 parametr timestamp_granularities był niekompatybilny z parametrem language. Dokumentacja Voxtral 3 nie wspomina już o tym ograniczeniu: zweryfikuj to testem przed połączeniem obu parametrów w przetwarzaniu produkcyjnym.
Kluczowe wnioski
- Tylko jedna granularność w Voxtral 3:
"segment"("word"zwraca błąd 400) - Wyrównanie słowo po słowie, jeśli konieczne, jest szacowane na podstawie segmentów lub obsługiwane przez narzędzie do wyrównania
- Znaczniki czasu są w sekundach (liczby dziesiętne), z polami
startienddla każdego segmentu - Idealne do tworzenia napisów SRT/VTT, nawigacji temporalnej i indeksowania
- Niekompatybilność z
languageznana z Voxtral 2 nie jest już udokumentowana: zweryfikuj to testem