Introduktion til lyd hos Mistral AI
På denne side
Kurset opdateret 3. november 2026 til Voxtral 3, baseret på Mistral-guiden Migrate from Voxtral 2: Voxtral 2-modellerne (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), der blev udfaset 31. oktober 2026 og trukket tilbage 30. april 2027, erstattes i eksemplerne afvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3ogvoxtral-mini-tts-3-0. Vigtige ændringer: Tidsstempling kun pr. segment (wordreturnerer en 400-fejl), realtids-diarrisering understøttet, indstillinger for realtidssession låst efter første lydblok, og frit formedecontext_bias-input (sætninger med mellemrum). Kilder: Migrate from Voxtral 2 · Speech to Text.
Voxtral-familien: Mistral AIs lydpakke
Mistral AI er gået ud over ren tekst. Med Voxtral-familien tilbyder det franske selskab en komplet pakke af modeller dedikeret til tale: transskription, lydforståelse og tekst-til-tale. Dette kursus lærer dig at udnytte disse funktioner til at omdanne lydstrømme til brugbar tekst, komplet med tilhørende Python-kode.
Automatisk talegenkendelse (ASR) eller Speech-to-Text (STT) driver hverdagsværktøjer, du sandsynligvis allerede bruger. Undertekster på træningsvideoer, referater fra ledermøder, kundeservice-voiceassistenter og digital tilgængelighed på offentlige hjemmesider afhænger alle af den samme kernteknologi. Mistral AI bringer en suveræn, højtydende og privatlivsvenlig tilgang til dette område – hvilket er afgørende, når din lyd indeholder patientnavne, kundedata eller interne drøftelser.
To måder at transskribere på
Voxtral understøtter to tilstande, der adresserer helt forskellige begrænsninger. Den første er offline-transskription, også kendt som batch-behandling: Du sender en komplet lydfil og modtager transskriptionen. Denne tilstand passer til optagede podcasts, feltinterviews uploadet senere på dagen eller arkiverede forelæsninger. Voxtral Mini Transcribe 3 og, for højere nøjagtighed, Voxtral Small Transcribe 3 håndterer dette og tilbyder diarrisering og tidsstempling på segmentniveau.
Den anden er realtids-transskription eller streaming: Lyd transskriberes, efterhånden som den ankommer, med en konfigurerbar latens mellem 80 ms og 1,2 sekunder (eller 2,4 sekunder). Intet er optaget på forhånd; alt sker, mens personen taler. Denne tilstand driver undertekster til live-webinarer, voiceassistenter eller dikteringsværktøjer. Modellen Voxtral Mini Transcribe Realtime 3 er bygget til dette. Hold denne sondring i tankerne nu: Den styrer de fleste af dine tekniske valg gennem resten af kurset.
Understøttede sprog
Voxtral 3-filtransskriptionsmodeller dækker 50 sprog, mens realtidsmodellen understøtter 45 sprog og dialekter, herunder fransk. Uden en language-parameter registrerer modellen automatisk optagelsens sprog; hvis du kender det, skal du angive det ved hjælp af dets to-bogstavskode (f.eks. fr).
Hvad Voxtral gør ud over rå tekst
Transskription alene er ikke altid nok. Diarrisering identificerer automatisk talere: I et møde med fem personer skelner modellen mellem, hvem der talte og hvornår, og omdanner en væg af tekst til et læsbart resumé. Context biasing lader dig indskyde specialiseret ordforråd – egennavne, fagtermer, akronymer – så “Kubernetes” eller “GDPR” ikke bliver fordrejet i et teknikermøde.
Tidsstempling på segmentniveau giver start- og sluttidspunkt for hvert transskriptionssegment, hvilket muliggør generering af synkroniserede undertekster; Voxtral 3 understøtter ikke længere tidsstempling på ordniveau. Støjrobusthed opretholder nøjagtigheden i udfordrende akustiske miljøer: baggrundsstøj, ekko i mødelokaler eller bærbare computeres mikrofoner. Endelig kan du indsende optagelser som filer, via URL eller fra tidligere uploadede filer og modtage svar som en stream, blok for blok.
Overholdelse og suverænitet
Den tidligere generation af realtidsmodellen, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 milliarder parametre), er udgivet som open weights under Apache 2.0-licensen: Du kan selv hoste den uden at være afhængig af en ekstern API, selv efter dens tilbagetrækning fra API’en den 30. april 2027.
Dette er en stor fordel for europæiske virksomheder, der står over for strenge regulatoriske krav til behandling af lyddata: Mødeoptagelser, kundesamtaler eller medicinske konsultationer forlader aldrig din infrastruktur.
Hvad du vil lære
Kurset følger en ligetil progression. Du starter med at forstå de tre Voxtral-modeller og vælge den rigtige til dit brugstilfælde. Derefter kaster du dig over offline-transskription, hvor vi dækker API’en, dens parametre, diarrisering og context biasing. Herefter går du videre til realtids-transskription: streaming, mikrofonoptagelse og latenskontrol. Du afslutter med implementering i produktion, herunder optimering, fejlhåndtering og omkostningsstyring. Hver lektion indeholder komplet, funktionel Python-kode, som du kan køre med det samme.
Vigtige pointer
- Voxtral er Mistral AIs familie af lydmodeller, der dækker STT og TTS
- To transskriptionstilstande: offline (filer) og realtid (streaming, konfigurerbar latens startende ved 80 ms)
- 50 sprog til filer, 45 til realtid, herunder fransk
- Avancerede funktioner: diarrisering, context biasing, tidsstempling på segmentniveau, støjrobusthed
- Suveræn implementering er mulig med realtidsmodellen af anden generation, tilgængelig som open weights under Apache 2.0