Voxtral v roce 2026: převod textu na řeč a přepis v reálném čase
Na této stránce
Aktualizováno 2. listopadu 2026 — zvuk. Modely Voxtral TTS (
voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) a jejich verze pro reálný čas jsou od 31. října 2026 zastaralé a jejich odstranění je naplánováno na 30. dubna 2027. Jejich nástupci z rodiny Voxtral 3, vydaní 20. října ve veřejné náhledové verzi, a pipeline Voice Agents jsou pokryty v kurzu Mistral in 2026 (lekce 11).
Schopnosti Mistralu v oblasti zvuku se v roce 2026 rozšířily o dva nové stavební kameny: syntézu řeči z textu (TTS) a přepis v reálném čase. Samostatně jsou to jen dvě technická oznámení mezi mnoha dalšími; dohromady však dokončují řetězec – od hlasu uživatele po hlas stroje – který ti nyní umožňuje vytvořit kompletního hlasového agenta bez opuštění ekosystému Mistral. Tato lekce pokrývá každou součást a poté ukazuje, jak do sebe zapadají.
Voxtral TTS: Dej svým aplikacím hlas
Voxtral TTS (v26.03), oznámený 23. března 2026, je model Mistralu pro syntézu řeči z textu. Oficiální dokumentace zdůrazňuje špičkovou kvalitu pro hlasové agenty, vícejazyčnou podporu a především jednu schopnost hodnou pozornosti: klonování hlasu bez předchozího tréninku (zero-shot). Model dokáže reprodukovat hlas na základě krátké zvukové ukázky bez nutnosti speciálního tréninku. Zatímco klonování hlasu dříve vyžadovalo hodiny nahrávek a specifickou fázi učení, nyní stačí několik sekund k získání přesvědčivé imitace.
Tato snadnost použití si vyžaduje okamžité připomenutí, které není pouhou formalitou: klonování hlasu osoby vyžaduje její výslovný souhlas. V Evropě je hlas podle zákona osobním údajem. Použití k impersonaci – nechat někoho říct to, co nikdy neřekl, nebo se za něj vydávat po telefonu – je nezákonné, tečka. Co se týče legitimních použití, kterých je celá řada – konzistentní hlas značky napříč všemi kanály, řešení pro usnadnění přístupu, která vracejí hlas lidem, kteří o něj přišli – ta musí být upravena smlouvou: písemný souhlas, definovaný rozsah použití a stanovená doba trvání. Pokud tvůj projekt zahrnuje klonování skutečného hlasu, vybuduj tento právní rámec před napsáním prvního řádku kódu, ne až poté.
Voxtral Mini Transcribe Realtime: Porozumění v reálném čase
Druhá součást řeší jasně identifikovanou mezeru. Mistral již nabízel přepis zvukových souborů pomocí Voxtralu, ale tento dávkový režim předpokládá, že nahrávka je před zpracováním dokončena. Celá řada případů použití však nemůže čekat: titulky pro živé schůzky či akce, hlasový agent, který musí rozumět tomu, co uživatel právě říká, nebo průběžné automatické pořizování poznámek.
Právě to pokrývá Voxtral Mini Transcribe Realtime (v26.02), v dokumentaci popisovaný jako efektivní model pro vstupní zvuk, předtrénovaný a optimalizovaný pro živý přepis. Rozdíl oproti dávkovému režimu není jen kosmetický: v reálném čase se latence stává hlavním omezením, protože hlasový agent, kterému trvá tři sekundy pochopit větu, vytváří nesnesitelnou konverzaci. Model specificky optimalizovaný pro nepřetržitý proud dat je tedy správnou architektonickou odpovědí, spíše než účelové použití dávkového modelu.
Zvuková sada Mistral a jak ji poskládat
Zvuková nabídka se nyní skládá ze tří doplňkových komponent:
| Komponenta | Model | Použití |
|---|---|---|
| Přepis (dávkový) | Voxtral (STT) | Přepis zvukových souborů |
| Přepis (živý) | Voxtral Mini Transcribe Realtime | Stream v reálném čase |
| Syntéza | Voxtral TTS | Dej svým aplikacím hlas |
Pro kompletního hlasového agenta se typický řetězec sestavuje následovně: přepis v reálném čase převádí řeč uživatele na text za běhu, jazykový model – Small 4 pro většinu případů, Medium 3.5 pro ty nejnáročnější – text pochopí a formuluje odpověď, kterou poté Voxtral TTS vysloví. Každý článek pochází od stejného poskytovatele, což zjednodušuje smluvní vztahy, fakturaci i dodržování předpisů – argument, který má v podnikových projektech velkou váhu.
Naše kurzy „Voxtral Transcription“ a „Voxtral TTS“ pokrývají základy těchto komponent; tato lekce je zasazuje do aktualizované nabídky roku 2026. Pokud jsi je již absolvoval, architektura popsaná zde je přirozenou kombinací toho, co už umíš dělat po jednotlivých součástech.
Oficiální zdroj: docs.mistral.ai — Models Overview
Klíčové poznatky
- Voxtral TTS (v26.03): Špičková syntéza s klonováním hlasu bez předchozího tréninku (zero-shot)
- Klonování hlasu vyžaduje výslovný souhlas dané osoby – to je nepřípustné vyjednávat
- Voxtral Mini Transcribe Realtime (v26.02) pokrývá živý přepis
- Řetězec hlasového agenta: přepis v reálném čase → LLM → TTS, vše od jednoho poskytovatele