Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Pristranskost konteksta: izboljšanje natančnosti

Lekcija 8 od 16 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Težava s specializiranimi izrazi
  2. Uporaba pristranskosti konteksta
  3. Gradnja učinkovitega seznama
  4. Upravljanje besedišča po projektu
  5. Kaj deluje in kaj ne
  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 voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 in voxtral-mini-tts-3-0. Ključne spremembe: časovni žigi so samo po segmentih (word vrne napako 400), določanje govorcev je mogoče v realnem času, nastavitve seje v realnem času so zaklenjene po prvem zvočnem kosu, vnosi context_bias pa so v prosti obliki (dovoljeni so stavki s presledki). Viri: Migrate from Voxtral 2 · Speech to Text.

Težava s specializiranimi izrazi

Modeli za črkovanje so usposobljeni na splošnem jeziku. Ko vaš zvok vsebuje lastna imena, akronime, tehnični žargon ali redke strokovne izraze, jih model pogosto napačno prepozna: „Voxtral” postane „vox trail”, „RGPD” (francoski akronim za splošno uredbo EU o varstvu podatkov) pa izpiše kot „RG PD”. V enournem sestanku se takšne napake seštejejo v desetine, ravno pri besedah, ki ste jih želeli izvleči.

Pristranskost konteksta to reši tako, da modelu predloži seznam pričakovanih izrazov. Model nato prilagodi verjetnosti in daje prednost tem izrazom, ko jih zazna v zvoku. To ni samodejna nadomestitev po obdelavi; usmerja dekodiranje med samim črkovanjem. Prav ta odtenek zagotavlja, da rezultat ostane naraven.

Uporaba pristranskosti konteksta

Parameter context_bias sprejme seznam izrazov: v Pythonu seznam nizov. Pri Voxtral 3 lahko vnos vsebuje presledke – polno ime izdelka, kot je „Alder Creek Design” – in ni več trde omejitve števila vnosov. Vnosi pa si delijo okno konteksta z zvokom: zahtevek, ki ga preseže, je zavrnjen (napaka 400), zato je najboljši kratek seznam.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

with open("reunion_tech.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "reunion_tech.mp3"},
        context_bias=["Voxtral", "Mistral AI", "RGPD", "Kubernetes", "PostgreSQL", "FastAPI"]
    )

print(response.text)

Učinek je takojšen. Brez pristranskosti konteksta bi inženirski sestanek lahko proizvedel tole:

On a déployé le nouveau service sur cubernétisse avec fast API
et la base post grès cul.

S seznamom ["Kubernetes", "FastAPI", "PostgreSQL"] isti stavek postane uporaben:

On a déployé le nouveau service sur Kubernetes avec FastAPI
et la base PostgreSQL.

Zunaj načina v realnem času je vnos lahko celo kontekstni stavek v prosti obliki, ki opisuje pogovor: „Call to Northwind support regarding an order of Quillara headsets shipped from the Rotterdam warehouse.” Model to uporabi za usmerjanje prepoznavanja imen, ki jih vsebuje.

Gradnja učinkovitega seznama

Štiri družine izrazov si zaslužijo mesto na seznamu. Prvič, lastna imena: ljudje, podjetja, izdelki – karkoli, kar model nima razloga poznati. Drugič, tehnični izrazi: akronimi, imena tehnologij, protokoli. Tretjič, strokovni žargon, specifičen za vaše področje, ki se ne pojavlja v splošnih slovarjih. Nazadnje, krajevna imena: mesta, stavbe, sejne sobe, ki se pogosto omenjajo in redko dobro prepoznajo.

Vsebina seznama je v celoti odvisna od konteksta. Sestanek tehnološkega startupa zahteva drugačen besednjak kot zdravniški posvet ali razgovor v odvetniški pisarni. Tukaj so trije dejanski seznami, ki jih lahko uporabite kot predloge.

Sestanek tehnološkega startupa:

context_bias = [
    "Mistral AI", "Voxtral", "Claude", "GPT-5.6",
    "Kubernetes", "PostgreSQL", "FastAPI", "Redis",
    "RGPD", "HIPAA", "SOC 2",
    "sprint", "backlog", "user story",
    "CI/CD", "Docker", "Terraform"
]

Zdravniška praksa:

context_bias = [
    "paracétamol", "ibuprofène", "amoxicilline",
    "IRM", "scanner", "échographie",
    "glycémie", "hémoglobine", "créatinine",
    "Dr Martin", "Dr Dubois",
    "CHU Pitié-Salpêtrière"
]

Odvetniška pisarna:

context_bias = [
    "SARL", "SAS", "SASU",
    "article L.225-1", "Code de commerce",
    "assignation", "mise en demeure",
    "TGI", "Cour d'appel",
    "Maître Dupont", "Maître Leroy"
]

Upravljanje besedišča po projektu

Trdo kodiranje seznama ne deluje, ko v igro vstopijo več strank ali storitev. Naslednja skripta naloži besedišče iz datoteke JSON, omogoča dodajanje ad-hoc izrazov in odstrani podvajanja. Ne nalaga trde omejitve, saj je Voxtral 3 nima, vendar opozori, če je seznam predolg: to je tisto, kar tvega preseganje okna konteksta.

import os
import json
from pathlib import Path
from mistralai.client import Mistral

ALERT_THRESHOLD = 50  # Notranji označevalec: prek tega preverite velikost zahtevka


def load_vocabulary(config_path: str) -> list[str]:
    """Naloži besedišče za pristranskost konteksta iz datoteke JSON."""
    config = json.loads(Path(config_path).read_text(encoding="utf-8"))
    terms = list(dict.fromkeys(config.get("terms", [])))

    if len(terms) > ALERT_THRESHOLD:
        print(f"Warning: {len(terms)} terms; a long list reduces "
              f"the space left for audio in the context window.")

    return terms

def transcribe_with_vocabulary(
    audio_path: str,
    config_path: str = None,
    additional_terms: list = None
) -> str:
    """Črkuje z optionalno pristranskostjo konteksta."""
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Sestavi seznam izrazov
    all_terms = []

    if config_path and Path(config_path).exists():
        config = json.loads(
            Path(config_path).read_text(encoding="utf-8")
        )
        all_terms.extend(config.get("terms", []))

    if additional_terms:
        all_terms.extend(additional_terms)

    # Odstrani podvajanje ob ohranjanju vrstnega reda
    all_terms = list(dict.fromkeys(all_terms))
    bias = all_terms or None

    # Črkuj
    with open(audio_path, "rb") as f:
        kwargs = {
            "model": "voxtral-mini-transcribe-3",
            "file": {"content": f, "file_name": Path(audio_path).name}
        }
        if bias:
            kwargs["context_bias"] = bias
            print(f"Context biasing active: {len(all_terms)} terms")

        response = client.audio.transcriptions.complete(**kwargs)

    return response.text

# Konfiguracijska datoteka z besediščem vocabulaire.json
# {
#   "terms": [
#     "Mistral AI", "Voxtral", "Kubernetes",
#     "PostgreSQL", "RGPD", "Dr Martin"
#   ]
# }

# Uporaba
texte = transcribe_with_vocabulary(
    "reunion.mp3",
    config_path="vocabulaire.json",
    additional_terms=["nouveau_terme", "autre_terme"]
)
print(texte)

Kaj deluje in kaj ne

Pristranskost konteksta daje najboljše rezultate pri natančnih, razločnih izrazih: lastnih imenih, akronimih, redkem tehničnem besedišču. Prav tako predpostavlja, da so navedeni izrazi dejansko prisotni v zvoku – dodajanje besed, ki jih nihče ne bo izrekel, razredči signal brez dodane vrednosti. Seznam dvajsetih do petdesetih dobro izbranih izrazov v večini primerov zadostuje.

Nasprotno pa je naštevanje običajnih besed neuporabno: model jih že dobro prepozna, vi pa porabite koristen prostor. Dolgi stavki slabo delujejo; držite se besed ali kratkih fraz. Nazadnje, pazite na refleks, da v parameter zlijete celoten podjetniški slovar: preširoko besedišče utopi tistih nekaj izrazov, ki so bili res pomembni.

Ena točka previdnosti za vaše projekte v francoščini: pristranskost konteksta je optimizirana za angleščino, Mistral AI pa podporo za druge jezike, vključno s francoščino, označuje kot eksperimentalno. V praksi pravilno deluje za lastna imena in akronime v vseh jezikih, lahko pa je manj učinkovita za običajne izraze v neangleških jezikih. Preizkusite na reprezentativnem odlomku, preden posplošite na celoten korpus.

Ključne ugotovitve

  • Pristranskost konteksta izboljša prepoznavanje specializiranih izrazov prek context_bias
  • Seznam izrazov (dovoljene fraze s presledki), brez fiksne omejitve, a omejeno z oknom konteksta
  • Učinkovito za: lastna imena, akronime, tehnični žargon, krajevna imena
  • Optimizirano za angleščino, eksperimentalna podpora za druge jezike
  • Raje izberite natančne izraze, ki so dejansko prisotni v zvoku
  • Za upravljanje besedišča po projektu uporabite konfiguracijsko datoteko