Cazuri de utilizare a transcrierii audio
Pe această pagină
Curs actualizat la 3 noiembrie 2026 pentru Voxtral 3, pe baza ghidului Migrate from Voxtral 2 de la Mistral: modelele Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), depreciate la 31 octombrie 2026 și retrase la 30 aprilie 2027, sunt înlocuite în exemple prinvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3șivoxtral-mini-tts-3-0. Modificări cheie: marcarea temporală doar la nivel de segment (wordreturnează o eroare 400), suport pentru diarizare în timp real, setările sesiunii în timp real sunt blocate după primul fragment audio și intrări flexibile pentrucontext_bias(fraze cu spații). Surse: Migrate from Voxtral 2 · Speech to Text.
De ce să automatizați transcrierea audio
Transcrierea automată convertește un flux audio în text structurat și utilizabil. Cu performanțele actuale ale Voxtral, rata de eroare este suficient de mică pentru o utilizare directă în multe contexte profesionale, fără o corectură exhaustivă. Acest detaliu schimbă ecuația economică: atâta timp cât revizuirea linie cu linie rămâne necesară, automatizarea doar deplasează munca, în loc să o elimine.
Cazurile de utilizare de mai jos au o trăsătură comună: fiecare se bazează pe un parametru specific al API-ului. Învățarea identificării acestora vă scutește de reconstrucția manuală a ceea ce modelul produce deja.
Subtitrare automată
Subtitrarea este cea mai directă aplicație. Marcarea temporală la nivel de segment oferită de Voxtral Mini Transcribe 3 furnizează ora de început și de sfârșit a fiecărui segment de transcriere, ceea ce este suficient pentru a genera fișiere SRT sau VTT sincronizate cu vorbirea. Activați acest rezultat cu timestamp_granularities=["segment"]; marcarea temporală la nivel de cuvânt, disponibilă în Voxtral 2, returnează acum o eroare 400. Dacă un segment este prea lung pentru ecran, îl divizați further lato partea clientului.
În practică, o organizație de e-learning utilizează acest lucru pentru a subtitra catalogul său video, o agenție guvernamentală pentru a face conținutul accesibil utilizatorilor surzi și cu deficiențe de auz, iar un editor pentru a produce subtitrări multilingve prin înlănțuirea transcrierii și traducerii. Pentru webinarii sau conferințe în direct, nevoia este identică, dar se mută către Voxtral Realtime, deoarece fișierul nu este disponibil în momentul în care subtitrările trebuie să apară.
Exemplu: generarea subtitrărilor SRT
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("video_audio.mp3", "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": "video_audio.mp3"},
timestamp_granularities=["segment"]
)
# Generate an SRT file: one subtitle per segment
def to_srt(segments):
srt_lines = []
for idx, seg in enumerate(segments, 1):
srt_lines.append(f"{idx}")
srt_lines.append(f"{format_time(seg.start)} --> {format_time(seg.end)}")
srt_lines.append(seg.text.strip())
srt_lines.append("")
return "\n".join(srt_lines)
def format_time(seconds):
h = int(seconds // 3600)
m = int((seconds % 3600) // 60)
s = int(seconds % 60)
ms = int((seconds % 1) * 1000)
return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
Procese-verbale ale ședințelor
Combinarea transcrierii + diarizării face din Voxtral un instrument serios pentru procesele-verbale automate ale ședințelor. Modelul identifică fiecare vorbitor și produce o transcriere structurată pe participant, în timp ce o transcriere plată obligă cititorul să ghicească cine vorbește. Doi parametri sunt suficienți: diarize=True pentru a separa vorbitorii și timestamp_granularities=["segment"] pentru a obține blocuri de timp.
O echipă utilizează acest lucru pentru verificările săptămânale, un consiliu executiv pentru ședințele comitetelor, iar un departament de calitate pentru a arhiva și căuta istoricul ședințelor. Textul diarizat servește, de asemenea, ca materie primă pentru extragerea automată a deciziilor și a elementelor de acțiune.
Flux de lucru tipic
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Each segment contains: speaker, start, end, text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
Puteți apoi să trimiteți rezultatul către un LLM (Mistral Large 3, de exemplu) pentru a extrage un rezumat, deciziile luate și elementele de acțiune.
Podcasturi și interviuri
Podcasturile și interviurile sunt conținuturi de lungă durată – de la treizeci de minute la peste două ore – cu doi până la cinci participanți. Voxtral distinge gazda de oaspeți folosind diarizarea și respectă numele vorbitorilor și jargonul specific domeniului datorită părtinirii contextuale (context biasing). Pentru cele mai lungi înregistrări, aveți în vedere fereastra de context, partajată între audio și vocabular: o cerere care o depășește este respinsă cu o eroare 400 (nimic nu este trunchiat); divizați în schimb audio-ul.
Un producător de podcasturi utilizează acest lucru pentru a genera o transcriere completă publicată ca articol, indexare full-text pentru arhive care pot fi căutate, note de emisiune generate automat și citate gata de decupat pentru rețelele sociale. Astfel, același fișier audio alimentează patru livrabile diferite.
Accesibilitate digitală
Transcrierea automată este un pilon al accesibilității digitale, impus de Legea Europeană privind Accesibilitatea (iunie 2025). Subtitrarea conținutului video este acum o cerință legală, alături de transcrierea mesajelor vocale în text, furnizarea de descrieri text ale conținutului audio – ceea ce beneficiază incidental de SEO – și menținerea unor arhive accesibile ale înregistrărilor.
Voxtral vă permite să automatizați aceste obligații la scară largă, cu un cost marginal pe minut de audio mult mai mic decât transcrierea umană. Pentru un catalog de câteva sute de ore, aceasta face diferența între o implementare a conformității bugetată și una amânată la infinit.
Alte aplicații
| Sector | Caz de utilizare tipic |
|---|---|
| Centre de apeluri | Transcrierea și analizarea conversațiilor cu clienții pentru monitorizarea calității |
| Sănătate | Dictarea rapoartelor cu părtinire contextuală pentru vocabularul specializat |
| Juridic | Transcrierea audierilor și depozițiilor |
| Educație | Transcrierea prelegerilor pentru studenți |
| Jurnalism | Transcrierea rapidă a interviurilor de teren |
Înainte de a scrie orice cod, identificați cazul de utilizare cel mai apropiat de al dumneavoastră în această listă și notați parametrii pe care îi necesită. Această combinație – nu doar modelul – determină calitatea rezultatului dumneavoastră.
Puncte cheie
- Subtitrarea utilizează marcarea temporală la nivel de segment pentru a genera fișiere SRT/VTT
- Procesele-verbale ale ședințelor combină diarizarea și transcrierea segmentată
- Podcasturile și interviurile beneficiază de suport pentru audio lung (3h) și părtinire contextuală
- Accesibilitatea digitală este o cerință legală pe care Voxtral ajută la automatizare
- Fiecare caz de utilizare se bazează pe parametri specifici ai API-ului Voxtral