Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Úvod do zvukových modelů Mistral AI

Lekce 1 z 16 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Rodina Voxtral: Zvukový balíček od Mistral AI
  2. Dva způsoby přepisu
  3. Co Voxtral nabízí navíc oproti čistému textu
  4. Shoda s předpisy a svrchovanost
  5. Co se naučíš
  6. Klíčové poznatky

Kurz aktualizován 3. listopadu 2026 pro Voxtral 3 na základě příručky Mistral Migrate from Voxtral 2: Modely Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603"), které byly 31. října 2026 označeny jako zastaralé a budou 30. dubna 2027 vyřazeny z provozu, jsou v příkladech nahrazeny modely voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3avoxtral-mini-tts-3-0. Klíčové změny: časové razítko pouze na úrovni segmentu (wordvrací chybu 400), podpora diarizace v reálném čase, nastavení relace v reálném čase uzamčená po prvním zvukovém bloku a vstupní datacontext_bias` ve volném formátu (fráze s mezerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.

Rodina Voxtral: Zvukový balíček od Mistral AI

Společnost Mistral AI již není omezena pouze na text. Díky rodině modelů Voxtral nabízí tato francouzská firma kompletní sadu modelů věnovaných řeči: přepis, porozumění zvuku a převod textu na řeč (TTS). V tomto kurzu se naučíš tyto schopnosti využít k tomu, abys zvukové proudy proměnil v plně použitelný text, včetně doprovodného kódu v Pythonu.

Automatické rozpoznávání řeči (ASR), neboli převod řeči na text (STT), pohání běžné nástroje, které pravděpodobně používáš. Titulky ve vzdělávacích videích, zápisy z porad vedení, hlasoví asistenti zákaznických služeb a digitální přístupnost na veřejných webových stránkách – to vše spoléhá na stejnou základní technologii. Mistral AI přináší do této oblasti svrchovaný, vysoce výkonný přístup s respektem k soukromí. To je klíčové zejména tehdy, když tvá zvuková data obsahují jména pacientů, údaje o zákaznících nebo interní deliberace.

50
Jazyků (soubory)
80 ms
Minimální latence v reálném čase
3
Modely Voxtral STT

Dva způsoby přepisu

Voxtral podporuje dva režimy, které řeší zcela odlišná omezení. Prvním je offline přepis, známý také jako dávkové zpracování: odešleš kompletní zvukový soubor a obdržíš přepis. Tento režim se hodí pro nahrané podcasty, terénní rozhovory nahrávané až později během dne nebo archivované přednášky. Zvládají to modely Voxtral Mini Transcribe 3 a pro vyšší přesnost také Voxtral Small Transcribe 3, které nabízejí diarizaci a časová razítka na úrovni segmentů.

Druhým režimem je přepis v reálném čase, neboli streamování: zvuk je přepisován, jak přichází, s nastavitelnou latencí mezi 80 ms a 1,2 sekundy (nebo 2,4 sekundy). Nic není předem nahráno; vše se děje v momentě, kdy osoba mluví. Tento režim pohání titulky pro živé webináře, hlasové asistenty nebo diktovací nástroje. Pro tento účel je určen model Voxtral Mini Transcribe Realtime 3. Měj toto rozlišení stále na paměti: určuje většinu tvých technických rozhodnutí v průběhu celého kurzu.

Podporované jazyky

Modely pro přepis souborů Voxtral 3 pokrývají 50 jazyků, zatímco model pro reálný čas podporuje 45 jazyků a dialektů, včetně češtiny a francouzštiny. Pokud nezadáš parametr language, model jazyk nahrávky automaticky detekuje; pokud jej znáš, specifikuj jej pomocí dvoupísmenného kódu (např. cs nebo fr).

Co Voxtral nabízí navíc oproti čistému textu

Samotný přepis nemusí vždy stačit. Diarizace automaticky identifikuje mluvčí: na schůzce pěti osob model rozliší, kdo a kdy mluvil, a změní tak zeď textu na čitelný souhrn. Kontextové zvýhodnění (context biasing) ti umožňuje vložit specializovanou slovní zásobu – vlastní jména, technické termíny, zkratky – aby se slova jako „Kubernetes“ nebo „GDPR“ v inženýrské schůzce nepoškodila.

Časová razítka na úrovni segmentů poskytují čas začátku a konce pro každý segment přepisu, což umožňuje generování synchronizovaných titulků; Voxtral 3 již nepodporuje časová razítka na úrovni slov. Odolnost vůči šumu udržuje přesnost i v náročných akustických podmínkách: hluk v pozadí, ozvěna v zasedací místnosti nebo mikrofony v noteboocích. Nakonec můžeš nahrávky odesílat jako soubory, prostřednictvím URL nebo z dříve nahraných souborů a dostávat odpovědi jako stream, blok po bloku.

Shoda s předpisy a svrchovanost

Předchozí generace modelu pro reálný čas, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 miliardy parametrů), je vydána jako otevřená váha (open weights) pod licencí Apache 2.0: můžeš si ji hostovat sám, aniž bys závisel na externím API, a to i po jejím vyřazení z API dne 30. dubna 2027.

To je velká výhoda pro evropské společnosti čelící přísným regulačním omezením při zpracování zvukových dat: nahrávky ze schůzek, hovory se zákazníky nebo lékařské konzultace nikdy neopustí tvou infrastrukturu.

Co se naučíš

Kurz postupuje přímočaře. Začneš pochopením tří modelů Voxtral a výběrem toho správného pro tvůj případ použití. Dále se pustíš do offline přepisu, kde pokryjeme API, jeho parametry, diarizaci a kontextové zvýhodnění. Poté přejdeš k přepisu v reálném čase: streamování, zachytávání zvuku z mikrofonu a řízení latence. Kurz zakončíš nasazením do produkce, včetně optimalizace, zpracování chyb a správy nákladů. Každá lekce obsahuje kompletní, funkční kód v Pythonu, který můžeš spustit tak, jak je.

Klíčové poznatky

  • Voxtral je rodina zvukových modelů od Mistral AI pokrývající STT i TTS
  • Dva režimy přepisu: offline (soubory) a reálný čas (streamování, nastavitelná latence od 80 ms)
  • 50 jazyků pro soubory, 45 pro reálný čas, včetně češtiny a francouzštiny
  • Pokročilé funkce: diarizace, kontextové zvýhodnění, časová razítka na úrovni segmentů, odolnost vůči šumu
  • Svrchované nasazení je možné díky modelu pro reálný čas druhé generace, dostupnému jako otevřená váha pod licencí Apache 2.0