Offline vs. Realtime: Průvodce výběrem
Na této stránce
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 zastaralé k 31. říjnu 2026 a vyřazené k 30. dubnu 2027, jsou v příkladech nahrazeny modelyvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3avoxtral-mini-tts-3-0. Klíčové změny: časové značky jsou pouze na úrovni segmentů (wordvrací chybu 400), diarizace je možná v reálném čase, nastavení relace v reálném čase je fixní po prvním zvukovém bloku a vstupycontext_bias` jsou volného formátu (povolené fráze s mezerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.
Dva režimy, dvě filozofie
Voxtral nabízí dva přístupy k přepisu, které se neliší kvalitou, ale svou podstatou. Volba mezi nimi není implementačním detailem, který ladíš až na konci projektu. Určuje, jaké funkce máš k dispozici, jak píšeš kód, jaké náklady vznikají a jakou uživatelskou zkušenost dodáváš. Tato lekce ti poskytne fakta potřebná k tomu, abys tuto volbu provedl, držel se jí a v případě potřeby dokonce oba režimy kombinoval.
Kompletní srovnání
| Kritérium | Offline (Dávkové zpracování) | Realtime (Streamování) |
|---|---|---|
| Model | Voxtral Mini (nebo Small) Transcribe 3 | Voxtral Mini Transcribe Realtime 3 |
| Latence | Sekundy až minuty (v závislosti na délce) | Konfigurovatelné zpoždění od 80 ms do 1,2 s, nebo 2,4 s |
| Limit zvuku | Kontextové okno, sdílené s context_bias | Nepřetržitá relace |
| Diarizace | Ano, s časovými značkami segmentů | Ano, bez časových značek; není dostupná s detekcí konce projevu |
| Kontextové zvýhodnění | Ano (seznam termínů, povolené fráze) | Ano, v konfiguraci relace |
| Časové značky | Na úrovni segmentu (žádná úroveň slov) | Ne |
| Detekce konce projevu | Ne | Ano |
| Zvukový formát | Běžné formáty souborů | 16bitové mono PCM (výchozí 16 kHz) |
| Jazyky | 50 | 45 jazyků a dialektů |
| Cena k 3. listopadu 2026 | 0,0035 $/min (Mini), 0,004 $/min (Small) | 0,008 $/min |
| Programování | Synchronní (jednoduché) | Asynchronní (async/await) |
| Primární použití | Nahrané soubory | Živý zvuk |
Pozorný pohled na tuto tabulku odhaluje, co skutečně odděluje oba režimy. Offline je jediný režim, který označuje časem každý segment, protože před odpovědí vidí celý zvukový záznam. Realtime je jediný režim, který detekuje konce projevů a vrací text, zatímco někdo mluví. Nevybíráš si mezi plnou verzí a odlehčenou verzí. Vyбираš si mezi dvěma způsoby, jak obsloužit uživatele: dodatečně, nebo v daném okamžiku.
Jak vybrat
Offline je jasnou volbou vždy, když zpracováváš zvukové soubory, které již existují – archivované schůzky, podcasty, rozhovory – protože zvuk je kompletní a není žádný přínos v jeho umělém rozdělování. Je to tvoje jediná možnost, pokud potřebuješ identifikovat mluvčí, protože diarizace zůstává pro streamování nedostupná. Je to také správná volba, pokud tvá doména vyžaduje specializovanou slovní zásobu, kterou musí řídit kontextové zvýhodnění, nebo pokud potřebuješ přesné časové značky pro následnou produkci video titulků. Nakonec tě to zbavuje jakékoli předběžné konverze, když tvé zdroje přicházejí v různých formátech, a stává se zřejmou volbou, když není kritická latence: odložené zpracování, noční dávky, archivní pipeline.
Realtime se stává nezbytným, když zvuk přichází nepřetržitě, z mikrofonu nebo síťového streamu, což znamená, že není žádný soubor k odeslání. Je povinný, když musí být výsledky k dispozici do jedné sekundy, jako je tomu u hlasového asistenta, nástroje pro diktování nebo živého titulkování na konferenci či webináři. Dva další strategické důvody mohou vést k této volbě bez ohledu na latenci: nasazení on-premise nebo na edge zařízeních, což umožňují otevřené váhy modelu, a požadavky na suverenitu, kdy žádná data nesmí opustit tvou infrastrukturu.
Existuje třetí cesta, která je často tou nejlepší: kombinace obou. Titulkuješ konferenci v reálném čase a poté znovu zpracuješ nahrávku offline, abys vytvořil čisté titulky s časovými značkami. Během schůzky zobrazuješ živý přepis a následně spustíš offline průchod s diarizací, abys přiřadil každý projev jeho mluvčímu. Diktuješ v reálném čase a poté soubor znovu zpracuješ offline pro kontrolu a opravy. Realtime slouží okamžiku; offline slouží dokumentu.
Cena každého režimu
Oba režimy nesdílejí stejnou cenovou strukturu. K dubnu 2026 je cenotvorba Mistral AI založena na délce zpracovaného zvuku. Offline je obecně levnější na minutu, protože dávkové zpracování je optimalizované, zatímco realtime nese příplatek za trvalé WebSocket připojení a nepřetržité zpracování.
Tři návyky snižují náklady bez jakékoli oběti kvality. V režimu offline dávkuj své soubory, abys omezil počet požadavků API. V režimu realtime uzavři připojení hned, jakmile řeč ustane, místo abys ho nechal otevřené „pro jistotu“: zapomenutá relace spotřebovává zdroje, aniž by produkovala výstup. Nejdůležitější však je, abys se vždy ptal, zda je živé zpracování skutečně nutné – pokud realtime nepřináší uživateli žádnou hodnotu, je offline jak levnější, tak bohatší na funkce.
Hybridní pipeline: Od živého přenosu k reportu
Níže uvedený kód ukazuje hybridní vzor v jeho nejčastější formě: schůzka. Během relace stream v reálném čase napájí displej: účastníci vidí posouvající se text, nikdo nečeká. Jakmile schůzka skončí, stejný zvuk, nyní dostupný jako kompletní soubor, je znovu zpracován offline s diarize=True a časovými značkami na úrovni segmentů, čímž vznikne report, který přiřazuje každý projev jeho mluvčímu. Obě volání si nekonkurují; doplňují se. První slouží okamžité reakci; druhé sledovatelnosti.
import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
AudioFormat,
TranscriptionStreamTextDelta,
TranscriptionStreamDone
)
async def hybrid_pipeline(realtime_audio_source, complete_file_path):
"""
1. Přepis v reálném čase pro okamžité zobrazení
2. Offline přepis pro finální report s diarizací
"""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Fáze 1: Realtime (během schůzky)
print("=== ŽIVÝ PŘEPIS ===\n")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=realtime_audio_source,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
target_streaming_delay_ms=800,
):
if isinstance(event, TranscriptionStreamTextDelta):
print(event.text, end="", flush=True)
elif isinstance(event, TranscriptionStreamDone):
break
# Fáze 2: Offline (po schůzce)
print("\n\n=== PODROBNÁ ANALÝZA ===\n")
with open(complete_file_path, "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": complete_file_path},
diarize=True,
timestamp_granularities=["segment"]
)
for seg in response.segments:
print(f"[{seg.speaker_id}] ({seg.start:.1f}s) {seg.text}")
return response
Všimni si praktického omezení, které tento vzor ukládá: musíš zvuk nahrávat paralelně se streamováním, protože bloky spotřebované streamem v reálném čase nejsou uchovávány. Naplánuj si tento zápis na disk již od začátku, jinak nebude mít fáze offline co zpracovávat.
Klíčové poznatky
- Offline vyniká u nahraných souborů s diarizací a časovými značkami
- Realtime vyniká u živého zvuku s ultra-nízkou latencí
- Obě režimy lze kombinovat v hybridní pipeline
- Offline je bohatší na funkce (diarizace, kontextové zvýhodnění, časové značky)
- Realtime je flexibilnější pro nasazení (otevřené váhy, edge)
- Volbu proveď na základě zdroje zvuku (soubor vs. živě) a požadovaných funkcí