Offline vs Realtime: Οδηγός Επιλογής
Σε αυτήν τη σελίδα
Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 για το Voxtral 3, βάσει του οδηγού Migrate from Voxtral 2 της Mistral: Τα μοντέλα Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), που αποσύρθηκαν στις 31 Οκτωβρίου 2026 και θα απενεργοποιηθούν οριστικά στις 30 Απριλίου 2027, αντικαθίστανται στα παραδείγματα από ταvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3καιvoxtral-mini-tts-3-0. Βασικές αλλαγές: οι χρονοσημάνσεις αφορούν μόνο τμήματα (η παράμετροςwordεπιστρέφει σφάλμα 400), η διάκριση ομιλητών (diarization) είναι δυνατή σε πραγματικό χρόνο, οι ρυθμίσεις συνεδρίας πραγματικού χρόνου παγιώνονται μετά το πρώτο κομμάτι ήχου και οι είσοδοιcontext_biasείναι ελεύθερης μορφής (επιτρέπονται φράσεις με κενά). Πηγές: Migrate from Voxtral 2 · Speech to Text.
Δύο Λειτουργίες, Δύο Φιλοσοφίες
Το Voxtral προσφέρει δύο προσεγγίσεις απομαγνητοφώνησης που διαφέρουν όχι ως προς την ποιότητα, αλλά ως προς τη φύση τους. Η επιλογή μεταξύ τους δεν είναι μια λεπτομέρεια υλοποίησης που θα προσαρμόσετε στο τέλος ενός έργου. Καθορίζει τις λειτουργίες που έχετε στη διάθεσή σας, τον τρόπο που γράφετε τον κώδικά σας, το κόστος που επωμίζεστε και την εμπειρία χρήστη που παρέχετε. Αυτό το μάθημα σας παρέχει τα απαραίτητα δεδομένα για να κάνετε αυτή την επιλογή, να την τηρήσετε και ακόμη και να συνδυάσετε και τις δύο λειτουργίες όταν αυτό έχει νόημα.
Πλήρης Σύγκριση
| Κριτήριο | Offline (Batch) | Realtime (Streaming) |
|---|---|---|
| Μοντέλο | Voxtral Mini (ή Small) Transcribe 3 | Voxtral Mini Transcribe Realtime 3 |
| Καθυστέρηση (Latency) | Δευτερόλεπτα έως λεπτά (ανάλογα με τη διάρκεια) | Ρυθμιζόμενη καθυστέρηση από 80 ms έως 1,2 s, ή 2,4 s |
| Όριο Ήχου | Παράθυρο συμφραζομένων, κοινόχρηστο με το context_bias | Συνεχής συνεδρία |
| Διάκριση Ομιλητών (Diarization) | Ναι, με χρονοσημάνσεις τμημάτων | Ναι, χωρίς χρονοσημάνσεις· μη διαθέσιμο με ανίχνευση τέλους ομιλίας |
| Προσαρμογή Συμφραζομένων (Context Biasing) | Ναι (λίστα όρων, επιτρεπτές φράσεις) | Ναι, στη διαμόρφωση της συνεδρίας |
| Χρονοσημάνσεις | Ανά τμήμα (όχι σε επίπεδο λέξης) | Όχι |
| Ανίχνευση Τέλους Ομιλίας (Turn-end) | Όχι | Ναι |
| Μορφή Αρχείου Ήχου | Κοινές μορφές αρχείων | 16-bit mono PCM (προεπιλογή 16 kHz) |
| Γλώσσες | 50 | 45 γλώσσες και διάλεκτοι |
| Τιμή στις 3 Νοεμβρίου 2026 | $0.0035/λεπτό (Mini), $0.004/λεπτό (Small) | $0.008/λεπτό |
| Προγραμματισμός | Σύγχρονος (απλός) | Ασύγχρονος (async/await) |
| Κύρια Περίπτωση Χρήσης | Ηχογραφημένα αρχεία | Ζωντανός ήχος |
Μια προσεκτική ματιά σε αυτόν τον πίνακα αποκαλύπτει τι χωρίζει πραγματικά τις δύο λειτουργίες. Το Offline είναι η μόνη λειτουργία που προσθέτει χρονοσήμανση σε κάθε τμήμα, καθώς βλέπει ολόκληρο τον ήχο πριν απαντήσει. Το Realtime είναι η μόνη λειτουργία που ανιχνεύει το τέλος της ομιλίας και επιστρέφει κείμενο ενώ κάποιος μιλάει ακόμα. Δεν επιλέγετε μεταξύ μιας πλήρους και μιας ελαφριάς έκδοσης. Επιλέγετε μεταξύ δύο τρόπων εξυπηρέτησης του χρήστη: εκ των υστέρων ή εν ροή.
Πώς να Επιλέξετε
Το Offline είναι η σαφής επιλογή όποτε επεξεργάζεστε αρχεία ήχου που υπάρχουν ήδη—αρχειοθετημένες συναντήσεις, podcasts, συνεντεύξεις—καθώς ο ήχος είναι πλήρης και δεν υπάρχει όφελος στο να τον τεμαχίσετε τεχνητά. Είναι η μοναδική σας επιλογή αν χρειάζεται να αναγνωρίσετε ομιλητές, καθώς η διάκριση ομιλητών παραμένει εκτός reach για τη ροή δεδομένων. Είναι επίσης η σωστή επιλογή αν ο τομέας σας απαιτεί εξειδικευμένο λεξιλόγιο που πρέπει να καθοδηγείται από την προσαρμογή συμφραζομένων, ή αν χρειάζεστε ακριβείς χρονοσημάνσεις για την υπότιτλη βίντεο σε μετα-παραγωγή. Τέλος, σας γλιτώνει από οποιαδήποτε αρχική μετατροπή όταν οι πηγές σας έρχονται σε διάφορες μορφές και γίνεται η προφανής επιλογή όταν η καθυστέρηση δεν είναι κρίσιμη: καθυστερημένη επεξεργασία, batch νύχτας, pipelines αρχειοθέτησης.
Το Realtime καθίσταται απαραίτητο όταν ο ήχος φτάνει συνεχώς, από μικρόφωνο ή ροή δικτύου, meaning δεν υπάρχει αρχείο για αποστολή. Είναι υποχρεωτικό όταν τα αποτελέσματα πρέπει να είναι διαθέσιμα σε λιγότερο από ένα δευτερόλεπτο, όπως σε έναν φωνητικό βοηθό, ένα εργαλείο υπαγόρευσης ή ζωντανή υπότιτλη για συνέδριο ή webinar. Δύο άλλοι στρατηγικοί λόγοι μπορούν να οδηγήσουν στην επιλογή ανεξάρτητα από την καθυστέρηση: η ανάπτυξη on-premise ή στο edge, που καθίσταται δυνατή χάρη στα ανοιχτά βάρη (open weights), και οι απαιτήσεις κυριαρχίας δεδομένων όταν κανένα δεδομένο δεν επιτρέπεται να εγκαταλείψει τις υποδομές σας.
Υπάρχει ένας τρίτος δρόμος, συχνά ο καλύτερος: ο συνδυασμός και των δύο. Υποτιτλίζετε ένα συνέδριο σε πραγματικό χρόνο και στη συνέχεια επανεπεξεργάζεστε την ηχογράφηση offline για να παράγετε καθαρούς, χρονοσημασμένους υπότιτλους. Εμφανίζετε ζωντανή απομαγνητοφώνηση κατά τη διάρκεια μιας συνάντησης και στη συνέχεια εκτελείτε μια offline passes με διάκριση ομιλητών για να αποδώσετε κάθε φράση στον ομιλητή της. Κάνετε υπαγόρευση σε πραγματικό χρόνο και στη συνέχεια επανεπεξεργάζεστε το αρχείο offline για αναθεώρηση και διορθώσεις. Το Realtime εξυπηρετεί τη στιγμή· το Offline εξυπηρετεί το έγγραφο.
Κόστος Κάθε Λειτουργίας
Οι δύο λειτουργίες δεν μοιράζονται την ίδια δομή τιμολόγησης. Από τον Απρίλιο του 2026, η τιμολόγηση της Mistral AI βασίζεται στη διάρκεια του επεξεργασμένου ήχου. Το Offline είναι γενικά φθηνότερο ανά λεπτό επειδή η επεξεργασία batch είναι βελτιστοποιημένη, ενώ το Realtime έχει ένα premium λόγω της μόνιμης σύνδεσης WebSocket και της συνεχούς επεξεργασίας.
Τρεις συνήθειες μειώνουν το κόστος χωρίς καμία θυσία. Στη λειτουργία offline, ομαδοποιήστε τα αρχεία σας για να περιορίσετε τον αριθμό των αιτημάτων API. Στη λειτουργία realtime, κλείστε τη σύνδεση μόλις σταματήσει η ομιλία αντί να την αφήνετε ανοιχτή «για κάθε περίπτωση»: μια ξεχασμένη συνεδρία καταναλώνει πόρους χωρίς να παράγει έξοδο. Το σημαντικότερο, ρωτήστε πάντα αν η ζωντανή επεξεργασία είναι πραγματικά απαραίτητη· αν το realtime δεν προσφέρει αξία στον χρήστη, το offline είναι τόσο φθηνότερο όσο και πλουσιότερο σε λειτουργίες.
Ένα Υβριδικό Pipeline: Από το Ζωντανό στη Αναφορά
Ο κώδικας παρακάτω δείχνει το υβριδικό μοτίβο στην πιο κοινή του μορφή: μια συνάντηση. Κατά τη διάρκεια της συνεδρίας, η ροή realtime τροφοδοτεί την οθόνη: οι συμμετέχοντες βλέπουν το κείμενο να κυλά, κανείς δεν περιμένει. Μόλις τελειώσει η συνάντηση, ο ίδιος ήχος, πλέον διαθέσιμος ως πλήρες αρχείο, επανεπεξεργάζεται offline με diarize=True και χρονοσημάνσεις σε επίπεδο τμήματος, παράγοντας μια αναφορά που αποδίδει κάθε φράση στον ομιλητή της. Οι δύο κλήσεις δεν ανταγωνίζονται· αλληλοσυμπληρώνονται. Η πρώτη εξυπηρετεί την αμεσότητα· η δεύτερη, την ιχνηλασιμότητα.
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. Realtime transcription for immediate display
2. Offline transcription for final report with diarization
"""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Phase 1: Realtime (during the meeting)
print("=== LIVE TRANSCRIPTION ===\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
# Phase 2: Offline (after the meeting)
print("\n\n=== DETAILED ANALYSIS ===\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
Σημειώστε τον πρακτικό περιορισμό που επιβάλλει αυτό το μοτίβο: πρέπει να ηχογραφείτε τον ήχο παράλληλα με τη ροή, καθώς τα κομμάτια που καταναλώνονται από τη ροή realtime δεν διατηρούνται. Προγραμματίστε αυτή την εγγραφή στον δίσκο από την αρχή, διαφορετικά η φάση offline δεν θα έχει τίποτα να επεξεργαστεί.
Βασικά σημεία
- Το Offline διαπρέπει στα ηχογραφημένα αρχεία με διάκριση ομιλητών και χρονοσημάνσεις
- Το Realtime διαπρέπει στον ζωντανό ήχο με εξαιρετικά χαμηλή καθυστέρηση
- Και οι δύο λειτουργίες μπορούν να συνδυαστούν σε ένα υβριδικό pipeline
- Το Offline είναι πλουσιότερο σε λειτουργίες (διάκριση ομιλητών, προσαρμογή συμφραζομένων, χρονοσημάνσεις)
- Το Realtime είναι πιο ευέλικτο για ανάπτυξη (ανοιχτά βάρη, edge)
- Επιλέξτε με βάση την πηγή του ήχου (αρχείο vs ζωντανά) και τις απαιτούμενες λειτουργίες