Časové pečiatky a časové segmentovanie
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 pečiatky sú iba na úrovni segmentov (wordvráti chybu 400), diarizácia je možná v reálnom čase, nastavenia relácie v reálnom čase sú uzamknuté po prvom zvukovom bloku a vstupycontext_biassú 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")
Navigácia v dlhých záznamoch
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
startaend - Ideálne na titulkovanie SRT/VTT, časovú navigáciu a indexovanie
- Nekompatibilita s parametrom
languagez Voxtralu 2 už nie je zdokumentovaná: over si to testom