Primeri uporabe prepisa zvoka
Na tej strani
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, ki so bili opuščeni 31. oktobra 2026 in umaknjeni 30. aprila 2027, so v primerih zamenjani zvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3invoxtral-mini-tts-3-0. Ključne spremembe: časovni žigi samo na ravni segmentov (wordvrne napako 400), podpora za določanje govorcev v realnem času, nastavitve seje v realnem času zaklenjene po prvem zvočnem delčku in prilagodljivi vnosicontext_bias(besedne zveze s presledki). Viri: Migrate from Voxtral 2 · Speech to Text.
Zakaj avtomatizirati prepis zvoka
Avtomatski prepis pretvori zvočni tok v strukturirano, uporabno besedilo. Zaradi trenutne zmogljivosti modela Voxtral je stopnja napak dovolj nizka za neposredno uporabo v številnih strokovnih kontekstih brez izčrpnega lekturiranja. Ta podrobnost spremeni ekonomsko enačbo: dokler je potreben pregled vrstica za vrstico, avtomatizacija le premakne delo, namesto da bi ga odpravila.
Spodnji primeri uporabe imajo skupno lastnost: vsak se zanaša na določen parameter API-ja. Če se naučiš prepoznati te parametre, si prihraniš ročno重建anje tega, kar model že proizvede.
Samodejno podnaslavljanje
Podnaslavljanje je najbolj neposredna aplikacija. Časovni žigi na ravni segmentov modela Voxtral Mini Transcribe 3 zagotavljajo čas začetka in konca vsakega segmenta prepisa, kar zadostuje za ustvarjanje datotek SRT ali VTT, sinhroniziranih z govorom. Ta izhod omogočiš z timestamp_granularities=["segment"]; časovni žigi na ravni besed, ki so bili na voljo v Voxtral 2, zdaj vrnejo napako 400. Če je segment predolg za zaslon, ga nadalje razdeliš na strani odjemalca.
V praksi organizacija za e-učenje to uporablja za podnaslavljanje svojega video kataloga, vladna agencija za dostopnost vsebin gluhim in naglušnim uporabnikom, založnik pa za izdelavo večjezičnih podnapisov z zaporednim povezovanjem prepisa in prevajanja. Za spletne seminarje ali konference v živo je potreba enaka, vendar se prestavi na Voxtral Realtime, saj datoteka ni na voljo, ko se morajo podnapisi pojaviti.
Primer: ustvarjanje podnapisov 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"]
)
# Generate an SRT file: one subtitle per 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}"
Zapisniki sestankov
Kombinacija prepisa + določanja govorcev naredi iz Voxtrala resno orodje za samodejne zapisnike sestankov. Model identificira vsakega govorca in proizvede prepis, strukturiran po udeležencih, medtem ko raven prepis bralca prisili, da ugiba, kdo govori. Dovolj sta dva parametra: diarize=True za ločevanje govorcev in timestamp_granularities=["segment"] za pridobitev časovnih blokov.
Ekipa to uporablja za tedenske pregledne sestanke, upravni odbor za seje odborov, oddelek za kakovost pa za arhiviranje in iskanje po zgodovini sestankov. Besedilo z določenimi govorcij služi tudi kot surovina za samodejno ekstrakcijo odločitev in akcijskih postavk.
Tipični delovni tok
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Each segment contains: speaker, start, end, text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
Nato lahko rezultat pošlješ velikemu jezikovnemu modelu (LLM), na primer Mistral Large 3, da izvleče povzetek, sprejete odločitve in akcijske postavke.
Podkasti in intervjuji
Podkasti in intervjuji so dolge vsebine – od trideset minut do več kot dveh ur – z dvema do petimi udeleženci. Voxtral razlikuje voditelja od gostov z uporabo določanja govorcev in spoštuje imena govorcev ter strokovni žargon zahvaljujoč pristranskosti konteksta (context biasing). Pri najdaljših posnetkih imej v mislih okno konteksta, ki je skupno zvoku in besedišču: zahtevek, ki ga preseže, je zavrnjen z napako 400 (ničesar ne odreže); namesto tega razdeli zvok.
Producent podkastov to uporablja za ustvarjanje celotnega prepisa, objavljenega kot članek, indeksiranje polnega besedila za arhive, ki jih je mogoče iskati, samodejno ustvarjenih opomb oddaje in citatov, pripravljenih za izrez za družbena omrežja. Ista zvočna datoteka tako napaja štiri različne rezultate dela.
Digitalna dostopnost
Avtomatski prepis je steber digitalne dostopnosti, ki ga zahteva Evropski akt o dostopnosti (junij 2025). Podnaslavljanje video vsebin je zdaj zakonska zahteva, prav tako pretvarjanje glasovnih sporočil v besedilo, zagotavljanje besedilnih opisov zvočnih vsebin – kar mimogrede koristi SEO – in vzdrževanje dostopnih arhivov posnetkov.
Voxtral ti omogoča avtomatizacijo teh obveznosti v velikem obsegu, z mejnimi stroški na minuto zvoka, ki so precej nižji od človeškega prepisa. Za katalog več sto ur je to razlika med načrtovanim uvajanjem skladnosti in tistim, ki se nedoločen čas odlaga.
Druge aplikacije
| Sektor | Tipičen primer uporabe |
|---|---|
| Klicni centri | Prepis in analiza pogovorov s strankami za nadzor kakovosti |
| Zdravstvo | Narekovanje poročil s pristranskostjo konteksta za specializirano besedišče |
| Pravosodje | Prepis obravnav in zaslišanj pod prisego |
| Izobraževanje | Prepis predavanj za študente |
| Novinarstvo | Hiter prepis terenskih intervjujev |
Preden napišeš kakršno koli kodo, v tem seznamu identificiraj primer uporabe, ki je najbližji tvojemu, in zapiši parametre, ki jih zahteva. Prav ta kombinacija – ne sam model – določa kakovost tvojega rezultata.
Ključne ugotovitve
- Podnaslavljanje uporablja časovne žige na ravni segmentov za ustvarjanje datotek SRT/VTT
- Zapisniki sestankov združujejo določanje govorcev in segmentirani prepis
- Podkasti in intervjuji imajo korist od podpore za dolg zvok (3 h) in pristranskosti konteksta
- Digitalna dostopnost je zakonska zahteva, ki jo Voxtral pomaga avtomatizirati
- Vsak primer uporabe se zanaša na specifične parametre API-ja Voxtral