Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Časové pečiatky a časové segmentovanie

Lekcia 6 z 16 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Štruktúrovanie prepisu v čase
  2. Granularita segmentu: Rečový blok
  3. Čo s granularitou na úrovni slov?
  4. Generovanie titulkov vo formáte SRT
  5. Navigácia v dlhých záznamoch
  6. Kľúčové poznatky

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 modelmi voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 a voxtral-mini-tts-3-0. Kľúčové zmeny: časové pečiatky sú iba na úrovni segmentov (word vráti chybu 400), diarizácia je možná v reálnom čase, nastavenia relácie v reálnom čase sú uzamknuté po prvom zvukovom bloku a vstupy context_bias sú voľného formátu (frázy s medzerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.

Štruktúrovanie prepisu v čase

Surový prepis je užitočný, ale prepis s časovými pečiatkami otvára oveľa bohatšie možnosti: titulkovanie, časovú navigáciu, synchronizáciu videa a extrakciu konkrétnych pasáží. Bez časových pečiatok si vyžaduje hľadanie momentu, keď sa v dvojhodinovom zázname diskutovalo o rozpočte, hádanie; s nimi je to len textové vyhľadávanie nasledované kliknutím. Parameter timestamp_granularities v Voxtrale ti dáva túto silu.

Granularita segmentu: Rečový blok

Segment je súvislý blok reči – typicky veta alebo skupina viet vyslovených bez významnej pauzy. Toto je granularita, ktorú zvolíš ako predvolenú, pretože zodpovedá prirodzenej jednotke čítania.

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"]
    )

# Iterácia cez segmenty
for seg in response.segments:
    start = f"{seg.start:.1f}s"
    end = f"{seg.end:.1f}s"
    print(f"[{start} → {end}] {seg.text}")

Výstup vyzerá takto:

[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.

Toto rozdelenie podporuje navigáciu v dlhých záznamoch, zobrazovanie blokov titulkov a indexovanie pasáží: každý segment sa stáva vyhľadávateľným záznamom so svojím vstupným bodom v zvuku.

Čo s granularitou na úrovni slov?

Voxtral 2 dokázal označovať časovou pečiatkou aj každé slovo (timestamp_granularities=["word"]). Voxtral 3 to už neponúka: granularita word vráti chybu 400 a migračná príručka Mistralu instructuje používateľov, aby prešli na segmenty. Prípady použitia, ktoré vyžadovali zarovnanie slovo po slove – titulky v štýle karaoke, zvýrazňovanie aktuálneho slova, jemná analýza rýchlosti reči – sa teraz musia spoliehať na segmenty, prípadne rozdeliť čas segmentu medzi jeho slová pomocou odhadu na strane klienta.

def estimer_mots(segment):
    """Rozdelí trvanie segmentu medzi jeho slová úmerne ich dĺžke (odhad)."""
    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

Ide o aproximáciu, užitočnú na progresívne zobrazovanie, ale nie na prozodickú analýzu: ak je presné zarovnanie slov nevyhnutné, riešením zostáva špecializovaný nástroj na vynútené zarovnanie aplikovaný po prepise.

Generovanie titulkov vo formáte SRT

Formát SRT nie je nič záhadné: poradové číslo, časový rozsah vo formáte HH:MM:SS,mmm, text a prázdny riadok. Nižšie uvedená funkcia iteruje cez segmenty a rozdeľuje tie, ktoré by presiahli pohodlnú šírku zobrazenia, nastavenú tu na šesťdesiat znakov.

def generate_srt_from_segments(segments, max_chars=60):
    """Generuje súbor SRT zo segmentov Voxtral."""
    srt_lines = []
    counter = 1

    for seg in segments:
        words = seg.text.strip()
        if not words:
            continue

        # Rozdelenie príliš dlhých segmentov
        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):
    """Konvertuje sekundy na formát 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}"

# Použitie
srt_contenu = generate_srt_from_segments(response.segments)
with open("sous_titres.srt", "w", encoding="utf-8") as f:
    f.write(srt_contenu)

print("Súbor SRT bol úspešne vygenerovaný")

Ďalšou priamou aplikáciou segmentov je vytvorenie časového súhrnu. Nasledujúci skript označí kontrolný bod každých päť minút a zobrazí prvých niekoľko slov, čím poskytne čitateľovi mapu záznamu ešte predtým, než ho začne počúvať.

def create_temporal_index(segments, interval_minutes=5):
    """Vytvorí index každých N minút."""
    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

# Použitie
for entry in create_temporal_index(response.segments, interval_minutes=5):
    print(entry)

Pri Voxtrale 2 bol parameter timestamp_granularities nekompatibilný s parametrom language. Dokumentácia Voxtral 3 túto obmedzenie už nespomína: over si to testom pred kombinovaním oboch parametrov v produkčnom spracovaní.

Kľúčové poznatky

  • Pri Voxtrale 3 je dostupná iba jedna granularita: "segment" ("word" vráti chybu 400)
  • Zarovnanie slovo po slove, ak je potrebné, sa odhaduje zo segmentov alebo rieši nástrojom na zarovnanie
  • Časové pečiatky sú v sekundách (desatinné čísla), pričom každý segment má start a end
  • Ideálne na titulkovanie SRT/VTT, časovú navigáciu a indexovanie
  • Nekompatibilita s parametrom language z Voxtralu 2 už nie je zdokumentovaná: over si to testom