Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Voxtral 2026. aastal: kõnesüntees ja reaalajas transkriptsioon

Õppetund 6 / 12 Värskendatud 2. november 2026 Kesktase
Sellel lehel
  1. Voxtral TTS: anna oma rakendustele hääl
  2. Voxtral Mini Transcribe Realtime: mõistmine reaalajas
  3. Mistrali helikomplekt ja selle kokkupanek
  4. Peamised punktid

Uuendatud 2. novembril 2026 – heli. Voxtral TTS (voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) ja selle reaalajas versiooni mudelid on alates 31. oktoobrist 2026 aegunud; nende eemaldamine on planeeritud 30. aprilliks 2027. Nende järglasi Voxtral 3 perekonnast, mis avaldati 20. oktoobril avaliku eelvaatena, ning Voice Agentsi töövoogu käsitletakse kursusel Mistral 2026. aastal (tund 11).

Mistrali helivõimed laienesid 2026. aastal kahe uue põhikomponendi võrra: teksti muundamine kõneks (TTS) ja reaalajas transkriptsioon. Eraldi võetuna on need vaid kaks tehnilist teadet paljude seas; koos moodustavad need aga ahela kasutaja häälest masina hääleni, võimaldades sul luua tervikliku hääleagenti, lahkumata Mistrali ökosüsteemist. Selles tunnis käsitleme mõlemat komponenti ja näitame, kuidas need kokku sobivad.

Voxtral TTS: anna oma rakendustele hääl

Voxtral TTS (v26.03), millest teatati 23. märtsil 2026, on Mistrali teksti-kõneks sünteesi mudel. Ametlik dokumentatsioon toob esile tipptasemel kvaliteedi hääleagentide jaoks, mitmekeelse toe ja ennenägematu võimaluse: null-shot hääle kloonimine. Mudel suudab taasesitada häält lühikesest helinäidisest ilma spetsiaalse õppetapiseta. Kui hääle kloonimine nõudis varem tunde salvestusi ja eraldi õppefaasi, piisab nüüd veenva jäljenduse saamiseks mõnest sekundist.

See kasutusmugavus nõuab kohest meeldetuletust – see pole pelgalt formaalsus: inimese hääle kloonimine eeldab tema selget nõusolekut. Euroopas loetakse hääl isikuandmeks. Hääle võltsimine – panna kedagi ütlema seda, mida ta kunagi öelnud ei ole, või esineda tema nimel telefonis – on seadusega keelatud, punkt. Mis puutub legitiimsetesse kasutusviisidesse (ja neid on tõsiseid: järjepidev brändihääl kõigil kanalitel, ligipääsetavuslahendused, mis taastavad hääle inimestele, kes on selle kaotanud), siis need peavad olema reguleeritud lepinguga: kirjalik nõusolek, kasutusulatuse määratlemine ja kestuse täpsustamine. Kui sinu projekt hõlmab reaalse hääle kloonimist, loo see õiguslik raamistik enne esimese koodirea kirjutamist, mitte pärast.

Voxtral Mini Transcribe Realtime: mõistmine reaalajas

Teine komponent lahendab selgelt tuvastatud lünga. Mistral pakkus juba helifailide transkriptsiooni Voxtraliga, kuid see partii-režiim eeldab, et salvestus on enne töötlemist lõppenud. Samas on terve rida kasutusjuhte, mis ei saa oodata: koosolekute või ürituste reaalajas subtiitrid, hääleagent, mis peab mõistma kasutaja rääkimise ajal, või pidev automaatne märkmete tegemine.

Selleks ongi mõeldud Voxtral Mini Transcribe Realtime (v26.02), mida dokumentatsioonis kirjeldatakse kui tõhusat sisendheli mudelit, eelõpetatud ja optimeeritud reaalajas transkriptsiooniks. Erinevus partii-režiimist ei ole kosmeetiline: reaalajas muutub latentsus peamiseks piiranguks, sest hääleagent, mis mõistab lauset kolme sekundi viivitusega, muudab vestluse talumatuks. Seetõttu on pideva voogu jaoks spetsiaalselt optimeeritud mudel õige arhitektuuriline lahendus, mitte partii-mudeli ümberkasutamine.

Mistrali helikomplekt ja selle kokkupanek

Heliportfell koosneb nüüd kolmest täiendavast komponendist:

KomponentMudelKasutusviis
Transkriptsioon (partii)Voxtral (STT)Helifailide transkribeerimine
Transkriptsioon (reaalajas)Voxtral Mini Transcribe RealtimeReaalajas voog
SünteesVoxtral TTSAnna oma rakendustele hääl

Tervikliku hääleagendi jaoks kogutakse tüüpiline ahel järgmiselt: reaalajas transkriptsioon muundab kasutaja kõne tekstiks lennult, keelemudel – enamiku juhtude jaoks Small 4, nõudlikumate jaoks Medium 3.5 – mõistab sisu ja formuleerib vastuse, seejärel edastab Voxtral TTS selle kõnena. Iga lüli pärineb samalt pakkujalt, mis lihtsustab lepingute sõlmimist, arveldamist ja vastavust – argument, millel on ettevõtete projektides suur kaal.

Meie kursused „Voxtrali transkriptsioon“ ja „Voxtral TTS“ katavad nende komponentide põhitõed; see tund paigutab need 2026. aasta uuendatud valikusse. Kui oled need läbinud, on siin kirjeldatud arhitektuur loomulik kombinatsioon sellest, mida sa juba oskad komponentide kaupa teha.

Ametlik allikas: docs.mistral.ai — Models Overview

Peamised punktid

  • Voxtral TTS (v26.03): tipptasemel süntees koos null-shot hääle kloonimisega
  • Hääle kloonimine nõuab isiku selget nõusolekut – see on tingimusteta
  • Voxtral Mini Transcribe Realtime (v26.02) katab reaalajas transkriptsiooni
  • Hääleagendi ahel: reaalajas transkriptsioon → LLM → TTS, kõik samalt pakkujalt