Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Izbira med načinoma: brez povezave ali v realnem času

Lekcija 14 od 16 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Dva načina, dve filozofiji
  2. Celovita primerjava
  3. Kako izbrati
  4. Stroški vsakega načina
  5. Hibridni proces: od živega prenosa do poročila
  6. Ključne ugotovitve

Tečaj posodobljen 3. novembra 2026 za Voxtral 3, na podlagi Mistralovega vodnika Migrate from Voxtral 2: modeli Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603, zastareli 31. oktobra 2026 in umaknjeni 30. aprila 2027) so v primerih nadomeščeni z modeli voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 in voxtral-mini-tts-3-0. Ključne spremembe: časovni žigi so samo na ravni segmentov (word vrne napako 400), določanje govorcev je mogoče v realnem času, nastavitve seje v realnem času so fiksne po prvem zvočnem delčku, vnosi context_bias pa so prosto oblikovani (dovoljeni so izrazi s presledki). Viri: Migrate from Voxtral 2 · Speech to Text.

Dva načina, dve filozofiji

Voxtral ponuja dva pristopa k prepisu, ki se ne razlikujeta po kakovosti, temveč po naravi. Izbira med njima ni podrobnost izvedbe, ki bi jo prilagodil šele na koncu projekta. Določa razpoložljive funkcije, način pisanja kode, nastale stroške in uporabniško izkušnjo, ki jo ponudiš. To poglavje ti daje dejstva za pravilno odločitev, doslednost pri njej in celo kombinacijo obeh načinov, kadar je to smiselno.

Celovita primerjava

MeriloBrez povezave (serijsko)V realnem času (pretakanje)
ModelVoxtral Mini (ali Small) Transcribe 3Voxtral Mini Transcribe Realtime 3
ZakasnitevSekunde do minute (odvisno od trajanja)Konfigurabilna zakasnitev od 80 ms do 1,2 s ali 2,4 s
Omejitev zvokaKontekstno okno, deljeno z context_biasNeprekinjena seja
Določanje govorcevDa, s časovnimi žigi segmentovDa, brez časovnih žigov; ni na voljo pri zaznavi konca govora
Prilagajanje kontekstaDa (seznam izrazov, dovoljeni izrazi)Da, v konfiguraciji seje
Časovni žigiNa segment (ni na ravni besed)Ne
Zaznava konca govoraNeDa
Zvočni formatiObičajni datotečni formati16-bitni mono PCM (privzeto 16 kHz)
Jeziki5045 jezikov in narečij
Cena na dan 3. novembra 20260,0035 $/min (Mini), 0,004 $/min (Small)0,008 $/min
ProgramiranjeSinhrono (preprosto)Asinhrono (async/await)
Primarna uporabaPosnete datotekeŽivi zvok

Pozoren pogled na to tabelo razkrije, kaj resnično ločuje oba načina. Način brez povezave je edini, ki vsakemu segmentu dodeli časovni žig, saj pred odgovorom „vidi” celoten zvok. Način v realnem času je edini, ki zazna konec govornega obrata in vrne besedilo, medtem ko nekdo še govori. Ne izbiraš med polno in olajšano različico. Izbiraš med dvema načinoma strežbe uporabniku: po dogodku ali v trenutku dogajanja.

Kako izbrati

Način brez povezave je jasna izbira vedno, ko obdeluješ zvočne datoteke, ki že obstajajo – arhivirana srečanja, podkasti, intervjuji – saj je zvok popoln in ni koristi od umetnega razrezovanja. Je tvoja edina možnost, če moraš identificirati govorce, saj določanje govorcev pri pretakanju ni mogoče. Prava izbira je tudi, če tvoje področje zahteva specializiran besednjak, ki ga mora voditi prilagajanje konteksta, ali če potrebuješ natančne časovne žige za podnaslavljanje videoposnetkov v postprodukciji. Nazadnje, prihrani ti predhodno pretvorbo, ko viri prispejo v različnih formatih, in postane očitna izbira, ko zakasnitev ni kritična: odložena obdelava, nočne serije, arhivski procesi.

Način v realnem času postane nujen, ko zvok prihaja neprekinjeno, z mikrofona ali omrežnega toka, kar pomeni, da ni datoteke za pošiljanje. Obvezen je, ko morajo biti rezultati na voljo v manj kot sekundi, kot pri glasovnem pomočniku, orodju za diktiranje ali live podnaslavljanju na konferenci ali webinarju. Dva druga strateška razloga lahko vodita izbiro ne glede na zakasnitev: namestitev v lastnem okolju ali na robu omrežja, kar omogočajo odprte uteži, in zahteve po suverenosti, ko podatki ne smejo zapustiti tvoje infrastrukture.

Obstaja tretja pot, ki je pogosto najboljša: kombinacija obeh. Konferenco podnasloviš v realnem času, nato pa posnetek ponovno obdelaš brez povezave, da ustvariš čiste podnapise s časovnimi žigi. Med sestankom prikažeš živi prepis, nato pa zaženeš offline obdelavo z določanjem govorcev, da vsak izrek pripišeš pravemu govorcu. Diktiraš v realnem času, nato pa datoteko ponovno obdelaš brez povezave za pregled in popravke. Realni čas služi trenutku; način brez povezave služi dokumentu.

Stroški vsakega načina

Oba načina ne delita iste cenovne strukture. Od aprila 2026 Mistral AI zaračunava glede na trajanje obdelanega zvoka. Način brez povezave je na minuto običajno cenejši, ker je serijska obdelava optimizirana, medtem ko način v realnem času nosi pribitek zaradi stalne povezave WebSocket in neprekinjene obdelave.

Tri navade znižajo stroške brez žrtvovanja kakovosti. V načinu brez povezave združuj datoteke v serije, da omejiš število zahtev API. V načinu v realnem času zapri povezavo takoj, ko govor utihne, namesto da bi jo pustil odprto „za vsak slučaj”: pozabljena seja porablja vire, ne da bi proizvedla izhod. Najpomembneje, vedno se vprašaj, ali je obdelava v živo res potrebna – če realni čas uporabniku ne prinaša vrednosti, je način brez povezave tako cenejši kot tudi bogatejši s funkcijami.

Hibridni proces: od živega prenosa do poročila

Spodnja koda prikazuje hibridni vzorec v njegovi najpogostejši obliki: srečanje. Med sejo tok v realnem času napaja zaslon: udeleženci vidijo drseče besedilo, nihče ne čaka. Ko se srečanje konča, se isti zvok, ki je zdaj na voljo kot popolna datoteka, ponovno obdela brez povezave z nastavitvijo diarize=True in časovnimi žigi na ravni segmentov, kar proizvede poročilo, ki vsak izrek pripiše govorcu. Oba klica si ne konkurirata; dopolnjujeta se. Prvi služi neposrednosti, drugi sledljivosti.

import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
    AudioFormat,
    TranscriptionStreamTextDelta,
    TranscriptionStreamDone
)

async def hybrid_pipeline(realtime_audio_source, complete_file_path):
    """
    1. Prepis v realnem času za takojšnji prikaz
    2. Prepis brez povezave za končno poročilo z določanjem govorcev
    """
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Faza 1: Realni čas (med sestankom)
    print("=== ŽIVI PREPIS ===\n")
    audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)

    async for event in client.audio.realtime.transcribe_stream(
        audio_stream=realtime_audio_source,
        model="voxtral-mini-transcribe-realtime-3",
        audio_format=audio_format,
        target_streaming_delay_ms=800,
    ):
        if isinstance(event, TranscriptionStreamTextDelta):
            print(event.text, end="", flush=True)
        elif isinstance(event, TranscriptionStreamDone):
            break

    # Faza 2: Brez povezave (po sestanku)
    print("\n\n=== PODROBNA ANALIZA ===\n")

    with open(complete_file_path, "rb") as f:
        response = client.audio.transcriptions.complete(
            model="voxtral-mini-transcribe-3",
            file={"content": f, "file_name": complete_file_path},
            diarize=True,
            timestamp_granularities=["segment"]
        )

    for seg in response.segments:
        print(f"[{seg.speaker_id}] ({seg.start:.1f}s) {seg.text}")

    return response

Upoštevaj praktično omejitev, ki jo ta vzorec nalaga: zvok moraš snemati vzporedno s pretakanjem, saj delčki, ki jih porabi tok v realnem času, niso shranjeni. Na to zapisovanje na disk pomisli že na začetku, sicer faza brez povezave ne bo imela kaj obdelati.

Ključne ugotovitve

  • Način brez povezave odlično deluje za posnete datoteke z določanjem govorcev in časovnimi žigi
  • Način v realnem času odlično deluje za živi zvok z ultra-nizko zakasnitvijo
  • Obna načina lahko združiš v hibridnem procesu
  • Način brez povezave je bogatejši s funkcijami (določanje govorcev, prilagajanje konteksta, časovni žigi)
  • Način v realnem času je prilagodljivejši za namestitev (odprte uteži, rob omrežja)
  • Izbiraj glede na vir zvoka (datoteka proti živemu prenosu) in zahtevane funkcije