Voxtral — zvukové modely od Mistralu
Na této stránce
Zvuk: nová hranice umělé inteligence
Umělá inteligence už není omezena jen na text. Porozumění řeči a její produkce se staly konkrétní výzvou pro mnoho aplikací: hlasoví asistenti, přepis schůzek, dabing, přístupnost. Mistral vyvinul rodinu modelů Voxtral, která pokrývá celý tento řetězec. Čtyři modely, které si představíme, nejsou zaměnitelné: každý zaujímá specifické místo v řetězci a záměna jejich rolí je nejčastější chybou při návrhu aplikace.
Voxtral TTS — syntéza řeči nové generace
Voxtral TTS, uvedený na trh v březnu 2026, je model pro syntézu řeči z textu (text-to-speech). Jde o jedno z nejvýznamnějších vydání roku, a to především díky jedné schopnosti: klonování hlasu bez dalšího tréninku (zero-shot voice cloning).
Princip je jednoduchý na vysvětlení, ale má zásadní důsledky. Poskytneš modelu zvukovou ukázku hlasu – stačí několik sekund – a on následně vygeneruje libovolný text tímto hlasem, aniž by bylo potřeba další trénování. Tembr, rytmus i charakteristiky původního hlasu jsou zachyceny v jediném průchodu: není třeba financovat sběr dat ani tréninkové session mezi okamžikem, kdy hlas uslyšíš, a momentem, kdy ho můžeš použít.
Okamžitě se rýsují čtyři oblasti použití. Dabing a lokalizace ti umožní překládat zvukový obsah při zachování původního hlasu, čímž udržuješ identitu značky nebo mluvčího napříč jazyky. Přístupnost těží z rozhraní vybavených přirozeným, personalizovaným hlasem místo neosobní syntézy. Vzdělávací obsah získává konzistentní vyprávění od jednoho modulu k druhému bez nutnosti opětovného nahrávání. A hlasoví asistenti mohou konečně získat distinctive zvukovou identitu.
Technicky je model vícejazyčný a podporuje francouzštinu. Funguje v režimu streamování v reálném čase: hlas je produkován za běhu, aniž by bylo nutné čekat na dostupnost celého textu, což umožňuje plynulou konverzaci. Výstup je velmi blízký lidské řeči, včetně správy intonace a emocí. Model patří do úrovně Open s váhami zveřejněnými na Hugging Face.
Tato síla vyžaduje disciplínu. Mistral doporučuje systematicky získávat souhlas osoby, jejíž hlas je klonován, nikdy tuto technologii nepoužívat k vydávání se za jinou identitu a jasně označovat obsah generovaný AI. Tato tři pravidla nejsou teoretickými opatřeními: dabingový projekt, který je zanedbá, vystavuje riziku svého klienta stejně tak jako osobu, jejíž hlas posloužil jako vzor.
Voxtral Mini Transcribe 2 — přepis zvuku
Voxtral Mini Transcribe 2, vydaný v únoru 2026, jde opačným směrem: je to model Mistralu pro přepis zvuku, tedy převod řeči na text (speech-to-text), který konvertuje řeč na text s vysokou přesností. Spadá do úrovně Premier, takže je přístupný prostřednictvím API.
Čtyři schopnosti jej odlišují od běžného přepisovače. Přepis je vícejazyčný s automatickou detekcí jazyka, což eliminuje potřebu předem konfigurovat každý soubor. Diarizace identifikuje různé mluvčí v konverzaci – bez ní zůstává zápis ze schůzky se šesti účastníky blokem nepoužitelného textu. Kontextové zkreslení (context biasing) ti umožňuje poskytnout modelu specializovanou slovní zásobu, vlastní jména nebo technické termíny, aby přestal komolit odkazy důležité pro tvou oblast. Časové značky (timestamps) nakonec zarovnávají přepis slovo od slova se zvukovou stopou.
Tyto charakteristiky vymezují případy použití: zápisy ze schůzek s identifikací účastníků, synchronizované titulky, analýza hovorů zákaznické podpory a indexování mluveného obsahu, který umožňuje vyhledávání v dříve nevyhledatelném archivu nahrávek.
Voxtral Mini Transcribe Realtime — zpracování v reálném čase
Když má prioritu nízká latence před jemností zpracování, Voxtral Mini Transcribe Realtime přepisuje v nepřetržitém streamu: text se objevuje, jak osoba mluví, bez čekání na konec věty. Tento model spadá do úrovně Open, což umožňuje lokální hostování – rozhodující argument pro citlivé aplikace, kde zvuk nesmí opustit tvou infrastrukturu.
| Feature | Transcribe 2 | Transcribe Realtime |
|---|---|---|
| Latency | Batch (post-processing) | Real-time (streaming) |
| Accuracy | Higher | Slightly lower |
| Diarization | Yes | Limited |
| Tier | Premier | Open |
| Typical Usage | File transcription | Live subtitling |
Tuto tabulku čti jako kompromis, nikoliv jako žebříček: Realtime nevybíráš proto, že je lepší, ale protože živé titulky netolerují žádné dodatečné zpracování.
Voxtral Small — zvukový vstup
Voxtral Small, publikovaný v červenci 2025, hraje odlišnou roli než předchozí modely. Přijímá zvuk jako vstup pro úkolové instrukce: pošleš mu soubor a požádáš ho o shrnutí, odpověď na otázky týkající se jeho obsahu nebo analýzu. Není to tedy přepisovač, který bys řadil za textový model, ale multimodální instruktážní model pro zvuk, který pracuje přímo se zvukovým signálem.
Klíčové poznatky
- Voxtral TTS (březen 2026) je model pro syntézu řeči s klonováním hlasu bez dalšího tréninku (zero-shot)
- Voxtral Mini Transcribe 2 nabízí přesný přepis s diarizací a kontextovým zkreslením
- Voxtral Realtime umožňuje streamovaný přepis a je open source
- Voxtral Small je multimodální instruktážní model, který rozumí zvukovému vstupu
- Rodina Voxtral pokrývá celý řetězec: text → hlas (TTS), hlas → text (přepis) a hlas → porozumění (instruktážní audio)