Prípady použitia prepisu zvuku
Na tejto strane
Kurz aktualizovaný 3. novembra 2026 pre Voxtral 3 na základe príručky Mistral Migrate from Voxtral 2: Modely Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603"), ktoré boli zastarané 31. októbra 2026 a vyradené 30. apríla 2027, sú v príkladoch nahradené modelmivoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3avoxtral-mini-tts-3-0. Kľúčové zmeny: časové značky iba na úrovni segmentov (wordvráti chybu 400), podpora diarizácie v reálnom čase, nastavenia relácie v reálnom čase uzamknuté po prvom zvukovom bloku a flexibilné vstupycontext_bias` (frázy s medzerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.
Prečo automatizovať prepis zvuku
Automatický prepis prevádza zvukový tok na štruktúrovaný, použiteľný text. Vďaka súčasnému výkonu modelu Voxtral je miera chýb dostatočne nízka na priame použitie v mnohých profesionálnych kontextoch bez vyčerpávajúcej korektúry. Tento detail mení ekonomickú rovnicu: pokiaľ je potrebná kontrola riadok po riadku, automatizácia prácu len presúva, namiesto toho, aby ju eliminovala.
Nižšie uvedené prípady použitia majú spoločnú črtu: každý z nich sa spolieha na konkrétny parameter API. Naučiť sa ich rozpoznávať ťa ušetrí od manuálneho rebuildovania toho, čo model už produkuje.
Automatické titulky
Titulky sú najpriamejšou aplikáciou. Časové značky na úrovni segmentov modelu Voxtral Mini Transcribe 3 poskytujú čas začiatku a konca každého segmentu prepisu, čo stačí na generovanie súborov SRT alebo VTT synchronizovaných s rečou. Tento výstup povolíš pomocou timestamp_granularities=["segment"]; časové značky na úrovni slov, dostupné vo Voxtral 2, teraz vracajú chybu 400. Ak je segment príliš dlhý pre obrazovku, rozdelíš ho ďalej na strane klienta.
V praxi to organizácia zameraná na e-learning využíva na titulkovanie svojho katalógu videí, vládna agentúra na sprístupnenie obsahu pre nepočujúcich a slabozrakých používateľov a vydavateľstvo na tvorbu viacjazyčných titulkov reťazením prepisu a prekladu. Pre živé webináre alebo konferencie je potreba totožná, ale presúva sa na Voxtral Realtime, keďže súbor nie je k dispozícii v momente, keď sa majú titulky zobraziť.
Príklad: generovanie titulkov 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"]
)
# Generovanie súboru SRT: jeden titulok na 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}"
Zápisnice zo schôdzí
Kombinácia prepisu + diarizácie robí z Voxtralu vážny nástroj pre automatické zápisnice zo schôdzí. Model identifikuje každého hovoriaceho a produkuje prepis štruktúrovaný podľa účastníka, zatiaľ čo plochý prepis núti čitateľa hádať, kto hovorí. Stačia dva parametre: diarize=True na oddelenie hovoriacich a timestamp_granularities=["segment"] na získanie časových blokov.
Tím to využíva na týždenné kontrolné schôdzky, predstavenstvo na rokovania výborov a oddelenie kvality na archiváciu a vyhľadávanie v histórii schôdzí. Text s diarizáciou slúži aj ako surový materiál na automatické extrahovanie rozhodnutí a úloh.
Typický pracovný postup
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Každý segment obsahuje: speaker, start, end, text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
Výsledok môžeš následne odoslať do LLM (napríklad Mistral Large 3) na extrakciu zhrnutia, prijatých rozhodnutí a úloh.
Podcasty a rozhovory
Podcasty a rozhovory sú dlhé formáty obsahu – od tridsiatich minút do viac ako dvoch hodín – s dvoma až piatimi účastníkmi. Voxtral rozlišuje moderátora od hostí pomocou diarizácie a rešpektuje mená hovoriacich aj odborný žargón vďaka kontextovému biasovaniu. Pri najdlhších nahrávkach maj na pamäti kontextové okno, ktoré je zdieľané medzi zvukom a slovníkom: požiadavka, ktorá ho presiahne, bude zamietnutá s chybou 400 (nič nie je orezané); namiesto toho rozdeľ zvuk.
Producent podcastov to využíva na generovanie úplného prepisu publikovaného ako článok, indexovanie plného textu pre vyhľadávateľné archívy, automaticky generované poznámky k relácii a citáty pripravené na strih pre sociálne siete. Ten istý zvukový súbor tak napája štyri rôzne výstupy.
Digitálna dostupnosť
Automatický prepis je pilierom digitálnej dostupnosti, ktorú nariaďuje Európsky akt o dostupnosti (jún 2025). Titulkovanie video obsahu je teraz zákonnou požiadavkou, rovnako ako prepis hlasových správ do textu, poskytovanie textových opisov zvukového obsahu – čo mimochodom prospieva SEO – a udržiavanie dostupných archívov nahrávok.
Voxtral ti umožňuje automatizovať tieto povinnosti vo veľkom meradle, s marginálnymi nákladmi za minútu zvuku výrazne nižšími než pri ľudskom prepise. Pre katalóg s niekoľkými stovkami hodín je to rozdiel medzi rozpočtovaným nasadením súladu a tým, ktoré je neurčito odkladané.
Ďalšie aplikácie
| Sektor | Typický prípad použitia |
|---|---|
| Call centrá | Prepis a analýza konverzácií so zákazníkmi na monitorovanie kvality |
| Zdravotníctvo | Diktovanie správ s kontextovým biasovaním pre špecializovanú slovnú zásobu |
| Právne odvetvie | Prepis pojednávaní a výpovedí |
| Vzdelávanie | Prepis prednášok pre študentov |
| Žurnalistika | Rýchly prepis terénnych rozhovorov |
Predtým, než napíšeš akýkoľvek kód, identifikuj prípad použitia najbližší tomu tvojmu v tomto zozname a zaznamenaj si parametre, ktoré vyžaduje. Práve táto kombinácia – nie samotný model – určuje kvalitu tvojho výsledku.
Kľúčové poznatky
- Titulky využívajú časové značky na úrovni segmentov na generovanie súborov SRT/VTT
- Zápisnice zo schôdzí kombinujú diarizáciu a segmentovaný prepis
- Podcasty a rozhovory profitujú z podpory dlhého zvuku (3 h) a kontextového biasovania
- Digitálna dostupnosť je zákonná požiadavka, ktorú Voxtral pomáha automatizovať
- Každý prípad použitia sa spolieha na špecifické parametre API Voxtral