Offline vs Realtime: valikujuhis
Sellel lehel
Kursust uuendati 3. novembril 2026 Voxtral 3 jaoks, tuginedes Mistrali juhendile Migrate from Voxtral 2: Voxtral 2 mudelid (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603, mis tunnistati aegunuks 31. oktoobril 2026 ja eemaldatakse kasutusest 30. aprillil 2027) on näidetes asendatud mudelitegavoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3javoxtral-mini-tts-3-0. Peamised muudatused: ajatemplid on ainult lõigu tasemel (wordtagastab vea 400), kõnelejate eristamine on reaalajas võimalik, reaalaja seansi seaded fikseeritakse pärast esimest helilõiku jacontext_biassisendid on vabas vormingus (lubatud on fraasid tühikutega). Allikad: Migrate from Voxtral 2 · Speech to Text.
Kaks režiimi, kaks filosoofiat
Voxtral pakub kahte transkriptsioonilähenemist, mis ei erine kvaliteedi, vaid olemuse poolest. Nende vahel valimine ei ole rakenduse detail, mida projekti lõpus kohandad. See määrab sinule kättesaadavad funktsioonid, koodi kirjutamise viisi, tekkinud kulud ja kasutajakogemuse, mida pakud. See õppetund annab sulle faktid, et teha see valik, jääda selle juurde ja vajadusel isegi mõlemat režiimi kombineerida.
Täielik võrdlus
| Kriterium | Offline (partii) | Realtime (voogedastus) |
|---|---|---|
| Mudel | Voxtral Mini (või Small) Transcribe 3 | Voxtral Mini Transcribe Realtime 3 |
| Latentsus | Sekunditest minutiteni (sõltuvalt kestusest) | Seadistatav viide 80 ms kuni 1,2 s või 2,4 s |
| Helipiirang | Konteksti aken, jagatud context_bias-ga | Pidev seanss |
| Kõnelejate eristamine | Jah, koos lõigu ajatemplitega | Jah, ilma ajatempliteta; pole saadaval kõne lõpu tuvastamisega |
| Konteksti kallutamine | Jah (terminite loend, lubatud fraasid) | Jah, seansi konfiguratsioonis |
| Ajatemplid | Lõigu kohta (sõna tasemel mitte) | Ei |
| Kõne lõpu tuvastamine | Ei | Jah |
| Helivorming | Levinud failivormingud | 16-bitine mono PCM (vaikimisi 16 kHz) |
| Keeled | 50 | 45 keelt ja murret |
| Hind seisuga 3. november 2026 | 0,0035 $/min (Mini), 0,004 $/min (Small) | 0,008 $/min |
| Programmeerimine | Sünkroonne (lihtne) | Asünkroonne (async/await) |
| Peamine kasutusjuhtum | Salvestatud failid | Otsehelid |
Selle tabeli tähelepanelik uurimine paljastab, mis kaht režiimi tegelikult eristab. Offline on ainus režiim, mis märgib ajatempliga iga lõigu, kuna see näeb kogu heli enne vastuse andmist. Realtime on ainus režiim, mis tuvastab kõne lõpu ja tagastab teksti samal ajal, kui keegi räägib. Sa ei vali täisversiooni ja kergema versiooni vahel. Sa valid kahe viisi vahel, kuidas kasutajat teenindada: kas järelkõneena või hetkelises ajas.
Kuidas valida
Offline on selge valik alati, kui töötleid juba olemasolevaid helifaile – arhiveeritud koosolekud, podcastid, intervjuud –, kuna heli on terviklik ja selle kunstlikuks tükkideks lõikamiseks pole kasu. See on sinu ainus võimalus, kui pead tuvastama kõnelejaid, sest voogedastuse puhul jääb kõnelejate eristamine kättesaamatuks. See on õige valik ka siis, kui sinu valdkond nõuab spetsiifilist sõnavara, mida konteksti kallutamine peab juhtima, või kui vajad täpseid ajatempleid video subtitrite järeltöötlemiseks. Lõpuks säästad sellega eelnevat teisendamist, kui sinu allikad saabuvad erinevates vormingutes, ja see muutub ilmseks valikuks, kui latentsus pole kriitiline: edasilükatud töötlemine, öised partiide tööd, arhiveerimise torustikud.
Realtime muutub vajalikuks, kui heli saabub pidevalt, mikrofonist või võrguvoost, mis tähendab, et saata pole ühtegi faili. See on kohustuslik, kui tulemused peavad olema kättesaadavad vähem kui sekundiga, nagu hääleassistendi, dikteerimistööriista või konverentsi ja veebiseminaride live-subtitrite puhul. Kaks muud strateegilist põhjust võivad valikut suunata sõltumata latentsusest: kohapealne või ääresarvete (edge) kasutuselevõtt, mis on võimalik tänu avatud kaaludele, ja suveräänsusnõuded, kui andmed ei tohi sinu taristust lahkuda.
On olemas kolmas tee, mis on sageli parim: kombineeri mõlemat. Subtitreeri konverents reaalajas ja töötle seejärel salvestus offline’is, et luua puhtad, ajatemplitega subtiitrid. Kuva koosoleku ajal live-transkriptsiooni ja käivita seejärel offline-läbimine koos kõnelejate eristamisega, et omistada iga ütlus selle kõnelejale. Dikteeri reaalajas ja töötle seejärel fail offline’is ülevaatamiseks ja parandamiseks. Realtime teenindab hetke; offline teenindab dokumenti.
Mida iga režiim maksab
Mõlemal režiimil pole sama hinnakujunduse struktuuri. Alates aprillist 2026 põhineb Mistral AI hinnakujundus töödeldud heli kestusel. Offline on üldjuhul minuti kohta odavam, kuna partii töötlemine on optimeeritud, samas kui realtime kannab lisatasu püsiva WebSocket-ühenduse ja pideva töötlemise eest.
Kolm harjumust vähendavad kulusid ilma midagi ohverdamata. Offline-režiimis koonda oma failid partiidesse, et piirata API päringute arvu. Realtime-režiimis sulge ühendus kohe, kui kõne lakkab, selle asemel et jätta see “igaks juhuks” avatuks: unustatud seanss tarbib ressursse, tootmata väljundit. Kõige tähtsam on alati küsida, kas live-töötlemine on tõesti vajalik – kui realtime ei lisa kasutajale väärtust, on offline nii odavam kui ka funktsioonirikkam.
Hübriidtorustik: otseülekandest aruandeni
Allpool olev kood näitab hübriidmustrit selle kõige levinumal kujul: koosolek. Seansi ajal toidab realtime voog ekraani: osalejad näevad teksti kerimas, keegi ei oota. Kui koosolek lõpeb, töödeldakse sama heli, mis on nüüd tervikliku failina saadaval, uuesti offline’is parameetriga diarize=True ja lõigu tasemel ajatemplitega, luues aruande, mis omistab iga ütluse selle kõnelejale. Need kaks väljakutset ei konkureeri; need täiendavad teineteist. Esimene teenindab vahetut vajadust; teine jälgitavust.
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 transkriptsioon koheseks kuvamiseks
2. Offline transkriptsioon lõplikuks aruandeks koos kõnelejate eristamisega
"""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# 1. etapp: Realtime (koosoleku ajal)
print("=== LIVE TRANSKRIPTSIOON ===\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
# 2. etapp: Offline (pärast koosolekut)
print("\n\n=== ÜKSIKASJALIK ANALÜÜS ===\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
Pane tähele praktilist piirangut, mida see muster seab: pead heli salvestama paralleelselt voogedastusega, kuna realtime voo tarbitud tükke ei säilitata. Planeeri see kettale kirjutamine algusest peale, vastasel juhul pole offline-etapil midagi töödelda.
Peamised punktid
- Offline sobib suurepäraselt salvestatud failide jaoks koos kõnelejate eristamise ja ajatemplitega
- Realtime sobib suurepäraselt live-heli jaoks ülimadala latentsusega
- Mõlemat režiimi saab kombineerida hübriidtorustikus
- Offline on funktsioonirikkam (kõnelejate eristamine, konteksti kallutamine, ajatemplid)
- Realtime on kasutuselevõtul paindlikum (avatud kaalud, ääresarved)
- Tee valik heliallika (fail vs live) ja nõutavate funktsioonide põhjal