Voxtral през 2026 г.: TTS и транскрипция в реално време
На тази страница
Обновено на 2 ноември 2026 г. — аудио. Моделите Voxtral TTS (
voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) и неговите версии за реално време са оттеглени от 31 октомври 2026 г., като пълното им премахване е планирано за 30 април 2027 г. Техните наследници от семейството Voxtral 3, пуснати в публичен преглед на 20 октомври, както и конвейерът Voice Agents, са разгледани в курса Mistral през 2026 г. (урок 11).
Възможностите на Mistral за работа с аудио се разшириха през 2026 г. с два нови строителни блока: синтез на реч от текст (text-to-speech) и транскрипция в реално време. Разглеждани поотделно, това са просто две технически обявления сред много други; разглеждани заедно, те завършват веригата – от гласа на потребителя до гласа на машината – която Ви позволява да изградите пълен гласов агент, без да напускате екосистемата на Mistral. Този урок обхваща всеки компонент и след това показва как те се свързват в цялостна система.
Voxtral TTS: Даване на глас на Вашите приложения
Voxtral TTS (v26.03), обявен на 23 март 2026 г., е моделът на Mistral за синтез на реч от текст. Официалната документация подчертава качеството от най-висок клас за гласови агенти, многоезичната поддръжка и преди всичко една способност, която заслужава внимание: клониране на глас с нулеви изстрели (zero-shot voice cloning). Конкретно, моделът може да възпроизведе глас въз основа на кратък аудио образец без специализирано обучение. Докато клонирането на глас преди изискваше часове записи и специфична фаза на обучение, сега са достатъчни няколко секунди, за да се получи убедителна имитация.
Тази лекота на използване изисква незабавно напомняне и това не е формалност: клонирането на гласа на дадено лице изисква неговото изрично съгласие. В Европа гласът се счита за лични данни съгласно закона. Използването за имитация – карането на някого да каже нещо, което никога не е казвал, или представянето за него по телефона – е незаконно, точка по въпроса. Що се отнася до легитимните употреби, а такива има много солидни – последователен глас на марката във всички канали, решения за достъпност, които връщат гласа на хора, загубили своя – те трябва да се регулират чрез договор: писмено съгласие, дефиниран обхват на употреба и определен срок. Ако Вашият проект включва клониране на реален глас, изградете тази правна рамка, преди да напишете първия ред код, а не след това.
Voxtral Mini Transcribe Realtime: Разбиране в реално време
Вторият компонент адресира ясно идентифицирана празнота. Mistral вече предлагаше транскрипция на аудио файлове с Voxtral, но този пакетнен режим предполага, че записът е завършен преди обработката. Въпреки това, цяло семейство случаи на употреба не могат да чакат: надписи на срещи или събития на живо, гласов агент, който трябва да разбира, докато потребителят говори, непрекъснато автоматично водене на бележки.
Това е областта, която покрива Voxtral Mini Transcribe Realtime (v26.02), описан в документацията като ефективен входен аудио модел, предварително обучен и оптимизиран за транскрипция на живо. Разликата от пакетния режим не е козметична: в реално време латентността се превръща в основното ограничение, защото гласов агент, който отнема три секунди, за да разбере едно изречение, прави разговора непоносим. Следователно модел, специално оптимизиран за непрекъснат поток, е правилният архитектурен отговор, вместо да се преизползва пакетният модел.
Аудио пакетът на Mistral и как да го сглобите
Асортиментът от аудио услуги сега се състои от три допълващи се компонента:
| Компонент | Модел | Употреба |
|---|---|---|
| Транскрипция (пакетна) | Voxtral (STT) | Транскрибиране на аудио файлове |
| Транскрипция (на живо) | Voxtral Mini Transcribe Realtime | Поток в реално време |
| Синтез | Voxtral TTS | Даване на глас на Вашите приложения |
За пълен гласов агент типичната верига се сглобява по следния начин: транскрипцията в реално време превръща речта на потребителя в текст в движение, езиков модел – Small 4 за повечето случаи, Medium 3.5 за най-взискателните – разбира и формулира отговора, след което Voxtral TTS го произнася. Всяка връзка идва от един и същи доставчик, което опростява договарянето, фактурирането и съответствието с регулациите – аргумент, който има тежест при проектите за предприятия.
Нашите курсове “Транскрипция с Voxtral” и “Voxtral TTS” обхващат основите на тези компоненти; този урок ги поставя в актуализирания обхват за 2026 г. Ако сте ги преминали, описаната тук архитектура е естествената комбинация от това, което вече знаете как да правите компонент по компонент.
Официален източник: docs.mistral.ai — Models Overview
Ключови изводи
- Voxtral TTS (v26.03): Синтез от най-висок клас с клониране на глас с нулеви изстрели (zero-shot)
- Клонирането на глас изисква изричното съгласие на лицето – това не подлежи на преговори
- Voxtral Mini Transcribe Realtime (v26.02) покрива транскрипцията на живо
- Верига на гласовия агент: транскрипция в реално време → LLM → TTS, всичко от един и същи доставчик