Sissejuhatus Mistrali helivõimetesse
Sellel lehel
Uuendus 2. novembril 2026 – Le Chat on nüüd Vibe. Alates 28. maist 2026 on Le Chat ümber bränditud nimele Vibe (asukoht endiselt chat.mistral.ai): üks agent tööks ja kodeerimiseks, kandes üle sinu vestlused, seaded ja tellimused. Vana Le Chati kasutajakogemus on jätkuvalt kättesaadav režiimis Chat; režiimis Work on agentidest saanud oskused (käivitatakse sümboliga
@), mälud on nüüd teadmistebaas ja põhjalik uurimistöö on oskus Deep Research. Plaanid kannavad nüüd nimesid Mistral Free, Pro, Team ja Enterprise. Selles õppetunnis kasutame nime Vibe; pane tähele, et mõned siin kirjeldatud menüüd võivad olla muutnud nime või asukohta.
Kui tehisintellekt õpib kuulama ja rääkima
Pärast nägemismeelt tähistab heli Mistral AI teist suurt multimodaalset revolutsiooni. Mudelipere Voxtral abil ei oska Vibe enam ainult teksti lugeda ja kirjutada – see suudab nüüd kõnet transkribeerida, osaleda häälevestlustes ja luua kõnet tekstist. Lühidalt öeldes on tsükkel lõpetatud: tehisintellekt kuulab sind, mõistab sind ja vastab sulle valjusti. See õppetund tutvustab kõiki neid võimeid, enne kui järgnevad tunnid neid ükshaaval detailselt käsitlevad.
Voxtrali perekond
Mistral on kaubamärgi Voxtral all välja töötanud põhjaliku helimudelite komplekti, kus ükski täidab helitöötluses kindlat rolli. Voxtral Mini Transcribe on partii-transkriptsiooni mudel (kõnest tekstiks): annad talle helifaili ja ta tagastab suure täpsusega kirjaliku teksti – see mudel töötab siis, kui laadid üles koosoleku salvestuse. Voxtral Realtime on selle reaalaja vaste: loodud häälevestlusteks, transkribeerib see kõnet selle toimumise hetkel ülimadala viiteajaga, mida saab seadistada alla 200 millisekundi – just see võimaldab Vibe’i sujuvat hääle režiimi. Lõpuks liigub Voxtral TTS vastupidises suunas: teksti muundamine kõneks (text-to-speech) teisendab teksti loomulikuks hääleks, omades võimet kloonida häält vaid mõne sekundi pikkuse salvestuse põhjal.
| Omadus | Mudel | Keeled | Viiteaeg |
|---|---|---|---|
| Transkriptsioon (STT partii) | Voxtral Mini Transcribe V2 | 13 keelt | Mõni sekund faili kohta |
| Reaalaja transkriptsioon (STT) | Voxtral Realtime | 13 keelt | Alla 200 ms |
| Tekstist kõneks (TTS) | Voxtral TTS | 9+ keelt | ~90 ms (mudel) |
Kõnest tekstiks: häälest kirjasõnaks
Helitranskriptsioon on võime muuta häälsalvestis kirjalikuks tekstiks ja Voxtral Mini Transcribe paistab silma mitmel rindel. Esiteks täpsus: sõnavigade määr jääb madalaks isegi keskmise kvaliteediga salvestiste puhul – selliste failide puhul, mis on salvestatud telefoniga, mis asub konverentsilaua keskel. See teostab ka kõnelejate eristamist (diarization), mis tähendab, et see tuvastab automaatselt vestluses erinevad kõnelejad: transkriptsioonis tehakse vahet „Kõneleja 1“ ja „Kõneleja 2“ vahel, mis muudab koosolekuprotokollide koostamist radikaalselt. Müra taluvus võimaldab säilitada head täpsust ka rasketes keskkondades – kohvikud, tänavad, mitme häälega koosolekud. Lõpuks suudab see hallata pikki salvestisi, kuni 3 tundi heli ühes päringus, mis katab ära terve konverentsi.
Keelte osas on toetatud 13 keelt: inglise, prantsuse, hispaania, saksa, itaalia, portugali, hollandi, hiina, hindi, araabia, vene, jaapani ja korea. Levinud Euroopa kasutusjuhtude jaoks oled hästi kaetud.
Tekstist kõneks: kirjasõnast hääleks
Tekstist kõneks toimib vastupidises suunas: annad teksti ja Voxtral TTS loeb selle loomuliku häälega ette. Selle kõige spektakulaarsem omadus on hääle kloonimine: vaid 2–3 sekundist sinu hääle salvestisest suudab mudel genereerida kõnet, mis kõlab nagu sina. See kloonimine põhineb põhimõttel hääl kui juhend: mudel reprodutseerib võrdlushäälte näidise intonatsiooni, rütmi ja emotsiooni, ilma et oleks vaja teksti varustada prosoodia siltidega – näidis ise toimib juhendina.
Mudel on mitmekeelne – inglise, prantsuse, hispaania, portugali, itaalia, hollandi, saksa, hindi, araabia – ja suudab isegi segada keeli ühe lõigu sees. Lõpuks töötab see voogrežiimis: hääle genereerimine algab umbes 90 millisekundi pärast, võimaldades peaaegu koheseid interaktsioone, mitte ootamist sinu küsimuse ja suulise vastuse vahel.
Milleks kasutatakse heli Vibe’is?
Konkreetselt tähendavad need võimed Vibe’i kasutajana nelja igapäevast tegevust. Saad transkribeerida koosoleku: laadi üles salvestis ja saad mõne sekundiga tekstikokkuvõtte. Saad rääkida häälega, aktiveerides hääle režiimi, et pidada loomulikku vestlust ilma klaviatuurita. Saad kuulata vastuseid, paludes Vibe’il oma teksti valjusti ette lugeda – käepärane kõndimise või toiduvalmistamise ajal. Ja saad dikteerida oma sõnumeid, rääkides kirjutamise asemel.
Järgnevates õppetundides käsitleme igat neist kasutusviisidest samm-sammult: esmalt failide transkriptsioon, seejärel reaalaja hääle režiim ja lõpuks tekstist kõneks süntees.
Peamised punktid
- Voxtral on Mistrali helimudelite perekond, hõlmates transkriptsiooni, reaalaja töötlemist ja tekstist kõneks muutmist
- Transkriptsioon toetab 13 keelt, kõnelejate eristamist ja kuni 3 tundi heli
- Tekstist kõneks suudab kloonida hääle sekunditega ja rääkida 9+ keeles
- Vibe’is on kõik integreeritud: saad transkribeerida, rääkida ja kuulata ilma väliste tööriistadeta