Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Introduktion til Mistrals lydfunktioner

Lektion 5 af 14 Opdateret 2. november 2026 Begynder
På denne side
  1. Når AI lærer at lytte og tale
  2. Voxtral-familien
  3. Speech-to-Text: Fra stemme til tekst
  4. Text-to-Speech: Fra tekst til stemme
  5. Hvad bruges lyd til i Vibe?
  6. Vigtige pointer

Opdatering 2. november 2026 — Le Chat er nu Vibe. Siden 28. maj 2026 er Le Chat blevet omdøbt til Vibe (stadig på chat.mistral.ai): en enkelt agent til arbejde og kode, der viderefører dine samtaler, indstillinger og abonnementer. Den oprindelige Le Chat-oplevelse forbliver tilgængelig i Chat-tilstand; i Work-tilstand er agenter blevet til færdigheder (kaldes med @), hukommelse er nu vidensbasen, og dyb research er færdigheden Deep Research. Abonnementerne hedder nu Mistral Free, Pro, Team og Enterprise. Denne lektion bruger navnet Vibe; bemærk, at nogle menuer beskrevet her kan have ændret navn eller placering.

Når AI lærer at lytte og tale

Efter synet repræsenterer lyd Mistrals anden store multimodale revolution. Med modelfamilien Voxtral kan Vibe ikke længere blot læse og skrive tekst – den kan nu transskribere tale, deltage i talesamtaler og generere tale fra tekst. Kort sagt er kredsløbet komplet: AI’en lytter til dig, forstår dig og svarer dig højt. Denne lektion introducerer alle disse funktioner, før efterfølgende lektioner uddyber dem én efter én.

Voxtral-familien

Mistral har udviklet en omfattende pakke af lydmodeller under mærket Voxtral, hvor hver enkelt opfylder en specifik rolle i lyd-pipelinen. Voxtral Mini Transcribe er batch-transskriptionsmodellen (Speech-to-Text): du giver den en lydfil, og den returnerer skrevet tekst med bemærkelsesværdig nøjagtighed – dette er modellen på arbejde, når du uploader en optagelse af et møde. Voxtral Realtime er dens realtidsmodstykke: designet til talesamtaler transskriberer den tale, mens den sker, med ultra-lav latency, konfigurerbar under 200 millisekunder – dette er det, der muliggør Mistrals flydende taletilstand. Endelig går Voxtral TTS den anden vej: tekst-til-tale-syntese transformerer tekst til naturlig stemme med mulighed for at klone en stemme ud fra blot få sekunders optagelse.

FunktionModelSprogLatency
Transskription (STT batch)Voxtral Mini Transcribe V213 sprogFå sekunder pr. fil
Realtidstransskription (STT)Voxtral Realtime13 sprogUnder 200 ms
Tekst-til-tale (TTS)Voxtral TTS9+ sprog~90 ms (model)

Speech-to-Text: Fra stemme til tekst

Lydtransskription er evnen til at konvertere en stemmeoptagelse til skrevet tekst, og Voxtral Mini Transcribe skiller sig ud på flere fronter. Først og fremmest nøjagtigheden: ordfejlraten forbliver lav, selv ved optagelser af middel kvalitet – den type fil, der optages med en telefon, der står midt på et konferencbord. Den udfører også diarisering, hvilket betyder, at den automatisk identificerer forskellige talere i en samtale: transskriptionen skelner mellem „Taler 1” og „Taler 2”, hvilket ændrer alt for referater fra møder. Dens robusthed over for støj gør, at den kan opretholde god nøjagtighed i svære omgivelser – caféer, gader, møder med mange stemmer. Endelig håndterer den lange optagelser, op til 3 timers lyd i en enkelt anmodning, nok til at dække en hel konference.

På sprogfronten understøttes 13 sprog: engelsk, fransk, spansk, tysk, italiensk, portugisisk, hollandsk, kinesisk, hindi, arabisk, russisk, japansk og koreansk. Til almindelige europæiske brugstilfælde er du godt dækket ind.

Text-to-Speech: Fra tekst til stemme

Text-to-Speech fungerer i den modsatte retning: du leverer tekst, og Voxtral TTS læser den højt med en naturlig stemme. Dens mest spektakulære funktion er stemmekloning: ud fra blot 2 til 3 sekunders optagelse af din stemme kan modellen generere tale, der lyder som dig. Denne kloning hviler på princippet om stemme-som-en-instruktion: modellen reproducerer intonation, rytme og følelse fra reference-stemmeprøven uden behov for at annotere teksten med prosodi-tags – selve prøven fungerer som instruktionen.

Modellen er flersproget – engelsk, fransk, spansk, portugisisk, italiensk, hollandsk, tysk, hindi, arabisk – og kan endda blande sprog inden for et enkelt afsnit. Den arbejder endvidere i streaming-tilstand: stemmegenereringen begynder på omkring 90 millisekunder, hvilket muliggør næsten øjeblikkelig interaktion i stedet for ventetid mellem dit spørgsmål og det talte svar.

Hvad bruges lyd til i Vibe?

Konkret oversætter disse funktioner sig som Vibe-bruger til fire dagligdags handlinger. Du kan transskribere et møde: upload optagelsen og få en tekstsammendrag på få sekunder. Du kan tale med stemmen ved at aktivere taletilstanden for en naturlig samtale uden tastatur. Du kan lytte til svar ved at bede Vibe om at læse sin tekst højt – praktisk, mens du går en tur eller laver mad. Og du kan diktere dine beskeder ved at tale i stedet for at skrive.

I de følgende lektioner vil vi gennemgå hver af disse anvendelser trin for trin: først filtransskription, derefter realtids-taletilstand og til sidst tekst-til-tale-syntese.

Vigtige pointer

  • Voxtral er Mistrals familie af lydmodeller, der dækker transskription, realtidsbehandling og tekst-til-tale
  • Transskription understøtter 13 sprog, diarisering og op til 3 timers lyd
  • Tekst-til-tale kan klone en stemme på få sekunder og tale på 9+ sprog
  • I Vibe er alt integreret: du kan transskribere, tale og lytte uden eksterne værktøjer