Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Modely Voxtral pro přepis

Lekce 2 z 16 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Čtyři modely, tři případy použití
  2. Voxtral Mini Transcribe 3 – přepis souborů
  3. Voxtral Small Transcribe 3 – když záleží na přesnosti
  4. Voxtral Mini Transcribe Realtime 3 – přepis v reálném čase
  5. Voxtral Small – multimodální zvukový chat
  6. Rozhodni se za minutu
  7. Klíčové poznatky

Kurz aktualizován 3. listopadu 2026 pro Voxtral 3 na základě průvodce Mistralu 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 vyřazeny 30. dubna 2027, jsou v příkladech nahrazeny modely voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 a voxtral-mini-tts-3-0. Klíčové změny: časové razítko pouze na úrovni segmentu (word vrací chybu 400), diarizace možná v reálném čase, nastavení relace v reálném čase uzamčeno po prvním zvukovém úseku a vstupy context_bias ve volném formátu (fráze s mezerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.

Čtyři modely, tři případy použití

Mistral AI nabízí několik modelů Voxtral pro zpracování řeči, z nichž každý je optimalizován pro konkrétní úkol: dva pro soubory, jeden pro reálný čas a jeden pro kladení otázek týkajících se zvuku. Výběr správného modelu není jen detail konfigurace; určuje, co budeš moci dělat dál – časování, detekci střídání řečníků, streamování odpovědí. Toto rozhodnutí udělej jako první, ještě než napíšeš jediný řádek kódu.

Voxtral Mini Transcribe 3 – přepis souborů

Toto je výchozí model pro offline přepis: odešleš mu kompletní nahrávku a on vrátí přepsaný text. Jeho identifikátor v API je voxtral-mini-transcribe-3 (alias pro voxtral-mini-transcribe-3-0).

Podporuje všechny offline funkce: diarizace identifikuje řečníky s časováním na úrovni segmentu (časování na úrovni slov ve Voxtral 3 již neexistuje), kontextové zvýhodnění vkládá slovní zásobu specifickou pro danou oblast a odpovědi lze streamovat. Pokrývá 50 jazyků a k 3. listopadu 2026 stojí 0,0035 USD za minutu zvuku.

V praxi tento model zvol vždy, když již zvuk existuje jako soubor: nahrávky ze schůzek, podcasty, rozhovory, přednášky nebo lékařské a právní přepisy.

Minimální příklad volání

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

with open("meeting.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "meeting.mp3"}
    )

print(response.text)

Voxtral Small Transcribe 3 – když záleží na přesnosti

Větší a přesnější model voxtral-small-transcribe-3 funguje stejným způsobem. Mistral doporučuje začít s modelem Mini a přejít na Small pouze tehdy, pokud přetrvávají chyby i přes použití vlastní slovní zásoby. Stojí 0,004 USD za minutu.

Voxtral Mini Transcribe Realtime 3 – přepis v reálném čase

Tento model je navržen pro streamovaný přepis. Jeho identifikátor v API je voxtral-mini-transcribe-realtime-3.

Jeho latenci lze nastavit od 80 ms do 1,2 sekundy, případně 2,4 sekundy (target_streaming_delay_ms): architektura přepisuje zvuk, jak přichází, místo aby čekala na konec věty. Pokrývá 45 jazyků a dialektů, detekuje konce řečnických vstupů a nyní dokáže rozlišit řečníky – ale ne obojí ve stejné relaci. Jeho segmenty obsahují označení řečníka, ale žádné časy začátku nebo konce. Stojí 0,008 USD za minutu. Použij jej pro živé titulky, hlasové asistenty, diktování nebo přepis konference, jak probíhá.

Minimální příklad volání

from mistralai.client import Mistral
from mistralai.client.models import AudioFormat

client = Mistral(api_key="YOUR_API_KEY")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)

async for event in client.audio.realtime.transcribe_stream(
    audio_stream=my_audio_stream,
    model="voxtral-mini-transcribe-realtime-3",
    audio_format=audio_format,
):
    print(event.text, end="", flush=True)

Předchozí generace, voxtral-mini-transcribe-realtime-2602 (4 miliardy parametrů), zůstává k dispozici jako otevřená váha pod licencí Apache 2.0 pro vlastní hostování na tvých vlastních strojích.

Voxtral Small – multimodální zvukový chat

Třetí model mění kategorii. Voxtral Small, identifikátor voxtral-small-latest – který je podle dokumentace při spuštění Voxtral 3 stále modelem generace 2 – není čistý přepisovač, ale konverzační model schopný porozumět zvuku. Přijímá zvukový soubor jako vstup v chatové konverzaci a odpovídá na tvé otázky týkající se jeho obsahu, čímž kombinuje porozumění zvuku s generováním textu.

Tento rozdíl je vidět v kódu: používá koncový bod /chat/completions, nikoli /audio/transcriptions. Nebudeš se ho ptát „přepiš tento soubor“, ale spíše „shrň tuto konverzaci“, „jaký rozpočet byl zmíněn“ nebo „vyjádřil zákazník stížnost“.

Příklad volání

import base64
from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

with open("audio.mp3", "rb") as f:
    audio_base64 = base64.b64encode(f.read()).decode("utf-8")

response = client.chat.complete(
    model="voxtral-small-latest",
    messages=[{
        "role": "user",
        "content": [
            {"type": "input_audio", "input_audio": audio_base64},
            {"type": "text", "text": "Summarize this conversation in 3 key points."}
        ]
    }]
)

print(response.choices[0].message.content)

Rozhodni se za minutu

Když čelíš novému projektu, zamysli se nad dominantní potřebou, nikoli nad dostupnými funkcemi. Níže uvedená tabulka shrnuje nejčastější scénáře.

Tvá potřebaDoporučený model
Nahraný zvukový soubor, textový výstupVoxtral Mini Transcribe 3
Totéž co výše, s přetrvávajícími chybami i přes vlastní slovní zásobuVoxtral Small Transcribe 3
Identifikace řečníků s časovým razítkem pro každý segmentVoxtral Mini nebo Small Transcribe 3 (offline)
Přepis živě (mikrofon, zvukový stream)Voxtral Mini Transcribe Realtime 3
Kladení otázek týkajících se zvukuVoxtral Small (chat)
Vlastní hostování modeluVoxtral Realtime generace 2, otevřená váha

Častou chybou je vybrat model pro reálný čas, protože působí moderněji, až pozdě v projektu zjistíš, že požadovaná zpráva vyžaduje datování každého zásahu: v reálném čase segmenty obsahují řečníka, ale ne čas. Pokud tvůj výstup musí uvádět „kdo řekl co a kdy“, zůstává offline režim správnou volbou.

Klíčové poznatky

  • Voxtral Mini Transcribe 3: přepis souborů s diarizací, kontextovým zvýhodněním a časováním na úrovni segmentů
  • Voxtral Small Transcribe 3: stejné schopnosti, vyšší přesnost, když vlastní slovní zásoba nestačí
  • Voxtral Mini Transcribe Realtime 3: streamování s nastavitelnou latencí od 80 ms, detekce střídání řečníků, diarizace bez časování
  • Voxtral Small: zvukový chat pro porozumění a analýzu obsahu nahrávek
  • 50 jazyků pro soubory, 45 pro reálný čas, včetně francouzštiny