Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Časovni žigi in časovna segmentacija

Lekcija 6 od 16 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Strukturiranje prepisa skozi čas
  2. Granularnost segmenta: Govorni blok
  3. Kaj pa granularnost na ravni besed?
  4. Ustvarjanje podnapisov SRT
  5. Navigacija po dolgih posnetkih
  6. Ključne ugotovitve

Posodobitev tečaja z dne 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 nadomeščeni z voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 in voxtral-mini-tts-3-0. Ključne spremembe: časovni žigi so na voljo le za segmente (word vrne napako 400), določanje govorcev je mogoče v realnem času, nastavitve seje v realnem času so zaklenjene po prvem zvočnem delčku, vnosi context_bias pa so v prostem formatu (fraze s presledki). Viri: Migrate from Voxtral 2 · Speech to Text.

Strukturiranje prepisa skozi čas

Surov prepis je koristen, a prepis s časovnimi žigi odpira veliko bogatejše možnosti: podnaslavljanje, časovno navigacijo, sinhronizacijo z videom in izvleček določenih odlomkov. Brez časovnih žigov iskanje trenutka, ko so razpravljali o proračunu v dvournem posnetku, zahteva ugibanje; z njimi pa gre le za besedilno iskanje in klik. Parameter timestamp_granularities v Voxtralu ti daje to moč.

Granularnost segmenta: Govorni blok

Segment je neprekinjen blok govora – običajno stavek ali skupina stavkov, izrečenih brez znatnega premora. To je granularnost, ki jo boš izbral privzeto, saj ustreza naravni enoti branja.

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"]
    )

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

Izpis je videti takole:

[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.

Ta razčlenitev podpira navigacijo po dolgih posnetkih, prikaz blokov podnapisov in indeksiranje odlomkov: vsak segment postane iskljiv vnos s svojo vstopno točko v zvoku.

Kaj pa granularnost na ravni besed?

Voxtral 2 je lahko označil časovni žig za vsako besedo (timestamp_granularities=["word"]). Voxtral 3 tega ne ponuja več: granularnost word vrne napako 400, Mistralov vodnik za selitev pa uporabnike napotuje k prehodu na segmente. Primeri uporabe, ki so zahtevali poravnavo od besede do besede – podnapisi v slogu karaok, poudarjanje trenutne besede, podrobna analiza hitrosti govora – se morajo zdaj zanašati na segmente, pri čemer se čas segmenta med njegove besede potencialno razporedi s pomočjo ocene na strani odjemalca.

def estimer_mots(segment):
    """Razporedi trajanje segmenta med njegove besede, sorazmerno z njihovo dolžino (ocena)."""
    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

To je približek, uporaben za progresivni prikaz, ne pa za prozodično analizo: če je natančna poravnava besed bistvena, ostane rešitev namensko orodje za prisilno poravnavo, uporabljeno po prepisu.

Ustvarjanje podnapisov SRT

Zapis SRT ni nič skrivnostnega: zaporedna številka, časovni razpon v formatu HH:MM:SS,mmm, besedilo in prazna vrstica. Spodnja funkcija iterira skozi segmente in razdeli tiste, ki bi presegli udobno širino prikaza, tukaj nastavljeno na šestdeset znakov.

def generate_srt_from_segments(segments, max_chars=60):
    """Ustvari datoteko SRT iz segmentov Voxtral."""
    srt_lines = []
    counter = 1

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

        # Razdeli predolge segmente
        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):
    """Pretvori sekunde v format 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}"

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

print("Datoteka SRT je bila uspešno ustvarjena")

Druga neposredna uporaba segmentov je gradnja časovnega povzetka. Naslednji skript označi kontrolno točko vsakih pet minut in prikaže prvih nekaj besed, kar bralcu da zemljevid posnetka, še preden ga posluša.

def create_temporal_index(segments, interval_minutes=5):
    """Ustvari indeks vsakih N minut."""
    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

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

Pri Voxtralu 2 je bil timestamp_granularities nezdružljiv s parametrom language. Dokumentacija za Voxtral 3 te omejitve ne omenja več: preveri jo s testom, preden oba parametra združiš v produkcijski obdelavi.

Ključne ugotovitve

  • Pri Voxtralu 3 je na voljo le ena granularnost: "segment" ("word" vrne napako 400)
  • Poravnava od besede do besede, če je potrebna, se oceni iz segmentov ali jo obravnava orodje za poravnavo
  • Časovni žigi so v sekundah (decimalna števila), s start in end za vsak segment
  • Idealno za podnaslavljanje SRT/VTT, časovno navigacijo in indeksiranje
  • Nezdružljivost s parametrom language iz Voxtrala 2 ni več dokumentirana: preveri jo s testom