Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Úvod do zvukových schopností modelu Mistral

Lekce 5 z 14 Aktualizováno 2. listopadu 2026 Začátečník
Na této stránce
  1. Když se AI naučí poslouchat a mluvit
  2. Rodina modelů Voxtral
  3. Řeč na text: Od hlasu k písmu
  4. Text na řeč: Od textu k hlasu
  5. K čemu slouží zvuk ve Vibe?
  6. Klíčové poznatky

Aktualizace 2. listopadu 2026 — Le Chat je nyní Vibe. Od 28. května 2026 byl Le Chat přejmenován na Vibe (stále na chat.mistral.ai): jediný agent pro práci i kódování, který si zachovává vaše konverzace, nastavení a předplatná. Původní prostředí Le Chat zůstává dostupné v režimu Chat; v režimu Work se agenti stali dovednostmi (vyvolávanými pomocí @), paměť se nyní nazývá znalostní báze a hloubkový výzkum je dovednost Deep Research. Plány se nyní jmenují Mistral Free, Pro, Team a Enterprise. Tato lekce používá název Vibe; měj na paměti, že některá zde popsaná menu mohla změnit názvy nebo umístění.

Když se AI naučí poslouchat a mluvit

Po zpracování obrazu představuje zvuk druhou velkou multimodální revoluci společnosti Mistral AI. Díky rodině modelů Voxtral už Vibe nejen čte a píše text – nyní umí přepisovat řeč, účastnit se hlasových konverzací a generovat řeč z textu. Zkrátka je cyklus uzavřen: AI tě vyslechne, pochopí a nahlas ti odpoví. Tato lekce představuje všechny tyto schopnosti, než je následující lekce podrobně rozebere jednu po druhé.

Rodina modelů Voxtral

Mistral vyvinul ucelenou sadu zvukových modelů pod značkou Voxtral, přičemž každý plní v zvukovém pipeline specifickou roli. Voxtral Mini Transcribe je model pro dávkový přepis (řeč na text): nahraješ mu zvukový soubor a on vrátí s mimořádnou přesností písemný text – tento model pracuje, když nahraješ nahrávku ze schůzky. Voxtral Realtime je jeho protějšek pro práci v reálném čase: navržen pro hlasové konverzace, přepisuje řeč, jak probíhá, s ultra nízkou latencí konfigurovatelnou pod 200 milisekund – to je to, co umožňuje plynulý hlasový režim Vibe. Nakonec Voxtral TTS jde opačným směrem: syntéza textu na řeč převádí text na přirozený hlas s možností naklonovat hlas pouze z několika sekund nahrávky.

FunkceModelJazykyLatence
Přepis (STT dávkový)Voxtral Mini Transcribe V213 jazykůNěkolik sekund na soubor
Přepis v reálném čase (STT)Voxtral Realtime13 jazykůPod 200 ms
Text na řeč (TTS)Voxtral TTS9+ jazyků~90 ms (model)

Řeč na text: Od hlasu k písmu

Audio přepis je schopnost převést hlasovou nahrávku na písemný text a model Voxtral Mini Transcribe vyniká v několika oblastech. Zaprvé jeho přesnost: míra chybovosti slov zůstává nízká i u nahrávek střední kvality – typu souborů pořízených mobilem ležícím uprostřed konferenčního stolku. Model také provádí diarizaci, což znamená, že automaticky identifikuje různé mluvčí v konverzaci: přepis rozlišuje „Mluvčí 1“ a „Mluvčí 2“, což mění vše pro zápis ze schůzek. Jeho odolnost vůči hluku umožňuje udržet dobrou přesnost i v náročných prostředích – kavárny, ulice, schůzky s více hlasy. Nakonec zvládá dlouhé nahrávky, až 3 hodiny zvuku v jediném požadavku, což stačí na pokrytí celé konference.

Co se týče jazyků, podporováno je 13: angličtina, francouzština, španělština, němčina, italština, portugalština, nizozemština, čínština, hindština, arabština, ruština, japonština a korejština. Pro běžná evropská použití jsi dobře pokrytý.

Text na řeč: Od textu k hlasu

Technologie text na řeč funguje opačným směrem: zadáš text a Voxtral TTS ho přečte nahlas přirozeným hlasem. Jeho nejpozoruhodnější funkcí je klonování hlasu: z pouhých 2 až 3 sekund tvé hlasové nahrávky dokáže model generovat řeč, která zní jako ty. Toto klonování vychází z principu hlas jako instrukce: model reprodukuje intonaci, rytmus a emoce referenční hlasové ukázky, aniž by bylo třeba anotovat text značkami pro prosodii – samotná ukázka slouží jako instrukce.

Model je vícejazyčný – angličtina, francouzština, španělština, portugalština, italština, nizozemština, němčina, hindština, arabština – a dokáže dokonce míchat jazyky v rámci jedné pasáže. Nakonec pracuje v režimu streamování: generování hlasu začíná přibližně za 90 milisekund, což umožňuje téměř okamžité interakce místo čekání mezi tvou otázkou a mluvenou odpovědí.

K čemu slouží zvuk ve Vibe?

Konkrétně se jako uživatel Vibe tyto schopnosti promítají do čtyř běžných činností. Můžeš přepsat schůzku: nahraj nahrávku a během vteřin získej textové shrnutí. Můžeš mluvit hlasem aktivací hlasového režimu pro přirozenou konverzaci bez klávesnice. Můžeš si nechat přečíst odpovědi nahlas požádáním Vibe, aby přečetl svůj text – hodí se to při chůzi nebo vaření. A můžeš diktovat své zprávy, tedy mluvit místo psaní.

V následujících lekcích podrobně krok za krokem rozebereme každé z těchto využití: nejprve přepis souborů, poté hlasový režim v reálném čase a nakonec syntézu textu na řeč.

Klíčové poznatky

  • Voxtral je rodina zvukových modelů od Mistralu, pokrývající přepis, zpracování v reálném čase a převod textu na řeč
  • Přepis podporuje 13 jazyků, diarizaci a až 3 hodiny zvuku
  • Převod textu na řeč dokáže naklonovat hlas během vteřin a mluvit v 9+ jazycích
  • Ve Vibe je vše integrované: můžeš přepisovat, mluvit a poslouchat bez externích nástrojů