Marcaje temporale și segmentarea temporală
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: marcajele temporale sunt disponibile doar la nivel de segment (wordreturnează o eroare 400), diarizarea este posibilă în timp real, setările sesiunii în timp real sunt blocate după primul fragment audio, iar intrărilecontext_biassunt în format liber (fraze cu spații). Surse: Migrate from Voxtral 2 · Speech to Text.
Structurarea transcrierii în timp
O transcriere brută este utilă, dar o transcriere cu marcaje temporale deschide posibilități mult mai bogate: subtitrare, navigare temporală, sincronizare video și extragerea unor pasaje specifice. Fără marcaje temporale, găsirea momentului în care s-a discutat despre buget într-o înregistrare de două ore necesită ghicire; cu ele, este vorba doar de o căutare textuală urmată de un clic. Parametrul timestamp_granularities din Voxtral vă oferă această putere.
Granularitatea segmentului: blocul de vorbire
Un segment este un bloc continuu de vorbire—de obicei o propoziție sau un grup de propoziții rostite fără o pauză semnificativă. Aceasta este granularitatea pe care o veți alege implicit, deoarece corespunde unității naturale de lectură.
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"]
)
# Iterare prin segmente
for seg in response.segments:
start = f"{seg.start:.1f}s"
end = f"{seg.end:.1f}s"
print(f"[{start} → {end}] {seg.text}")
Rezultatul arată astfel:
[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.
Această descompunere susține navigarea în înregistrările lungi, afișarea blocurilor de subtitrare și indexarea pasajelor: fiecare segment devine o intrare căutabilă cu punctul său de intrare în audio.
Dar granularitatea la nivel de cuvânt?
Voxtral 2 putea, de asemenea, să adauge marcaje temporale pentru fiecare cuvânt (timestamp_granularities=["word"]). Voxtral 3 nu mai oferă această funcționalitate: granularitatea word returnează o eroare 400, iar ghidul de migrare al Mistral instruiește utilizatorii să treacă la segmente. Cazurile de utilizare care necesitau aliniere cuvânt cu cuvânt—subtitrări stil karaoke, evidențierea cuvântului curent, analiza fină a vitezei de vorbire—trebuie acum să se bazeze pe segmente, distribuind potențial durata unui segment între cuvintele sale prin estimare lato-client.
def estimer_mots(segment):
"""Distribuie durata unui segment între cuvintele sale, proporțional cu lungimea lor (estimare)."""
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
Aceasta este o aproximare, utilă pentru afișarea progresivă, dar nu pentru analiza prozodică: dacă alinierea exactă la nivel de cuvânt este esențială, un instrument dedicat de aliniere forțată aplicat după transcriere rămâne soluția.
Generarea subtitrărilor în format SRT
Formatul SRT nu are nimic misterios: un număr de secvență, un interval de timp în formatul HH:MM:SS,mmm, textul și o linie goală. Funcția de mai jos iterază prin segmente și le divizează pe cele care ar depăși o lățime de afișare confortabilă, setată aici la șaizeci de caractere.
def generate_srt_from_segments(segments, max_chars=60):
"""Generează un fișier SRT din segmentele Voxtral."""
srt_lines = []
counter = 1
for seg in segments:
words = seg.text.strip()
if not words:
continue
# Divizarea segmentelor care sunt prea lungi
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):
"""Convertește secundele în 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}"
# Utilizare
srt_contenu = generate_srt_from_segments(response.segments)
with open("sous_titres.srt", "w", encoding="utf-8") as f:
f.write(srt_contenu)
print("Fișier SRT generat cu succes")
Navigarea în înregistrările lungi
O altă aplicație directă a segmentelor este construirea unui rezumat temporal. Scriptul următor marchează un punct de control la fiecare cinci minute și afișează primele câteva cuvinte, oferind cititorului o hartă a înregistrării înainte chiar de a o asculta.
def create_temporal_index(segments, interval_minutes=5):
"""Creează un index la fiecare N minute."""
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
# Utilizare
for entry in create_temporal_index(response.segments, interval_minutes=5):
print(entry)
Cu Voxtral 2, timestamp_granularities era incompatibil cu parametrul language. Documentația Voxtral 3 nu mai menționează această restricție: verificați-o printr-un test înainte de a combina cele două în procesarea de producție.
Puncte cheie
- O singură granularitate cu Voxtral 3:
"segment"("word"returnează o eroare 400) - Alinierea cuvânt cu cuvânt, dacă este necesară, este estimată din segmente sau gestionată de un instrument de aliniere
- Marcajele temporale sunt în secunde (numere zecimale), cu
startșiendpentru fiecare segment - Ideal pentru subtitrarea SRT/VTT, navigarea temporală și indexare
- Incompatibilitatea cu
languagedin Voxtral 2 nu mai este documentată: verificați-o printr-un test