Voxtral vuonna 2026: Puheeksi-muunnos ja reaaliaikainen litterointi
Tällä sivulla
Päivitetty 2. marraskuuta 2026 — ääni. Voxtral TTS (
voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) ja niiden reaaliaikaiset versiomallit on poistettu käytöstä 31. lokakuuta 2026 alkaen, ja niiden poisto on suunniteltu 30. huhtikuuta 2027. Niiden seuraajat Voxtral 3 -perheessä, joka julkaistiin julkisena esiversiolla 20. lokakuuta, sekä Voice Agents -putki käsitellään kurssilla Mistral in 2026 (oppitunti 11).
Mistralin äänikyvykkyydet laajenivat vuonna 2026 kahdella uudella rakennuspalikalla: teksti puheeksi -synteesi ja reaaliaikainen litterointi. Yksinään tarkasteltuina nämä ovat vain kaksi teknistä ilmoitusta monien joukossa; yhdessä ne täydentävät ketjun käyttäjän äänestä koneen ääneen, mikä mahdollistaa nyt kokonaisen puheagentin rakentamisen poistumatta Mistralin ekosysteemistä. Tämä oppitunti käsittelee kutakin komponenttia erikseen ja osoittaa sitten, miten ne sopivat yhteen.
Voxtral TTS: Anna sovelluksillesi ääni
Voxtral TTS (v26.03), josta ilmoitettiin 23. maaliskuuta 2026, on Mistralin teksti puheeksi -synteesimalli. Virallinen dokumentaatio korostaa huippuluokan laatua puheagenteille, monikielistä tukea ja ennen kaikkea huomionarvoista kykyä: nollan shotin äänen kloonaus. Malli pystyy nimittäin toistamaan äänen lyhyestä ääninäytteestä ilman erillistä koulutusta. Siinä missä äänen kloonaus vaati aiemmin tuntikausia nauhoituksia ja erityisen oppimisvaiheen, nyt muutaman sekunnin näyte riittää vakuuttavan jäljitelmän luomiseen.
Tämä helppokäyttöisyys vaatii välittömän muistutuksen, eikä kyse ole pelkästä muodollisuudesta: henkilön äänen kloonaminen vaatii hänen nimenomaista suostumustaan. Euroopassa ääni on lainsäädännön mukaan henkilötietoa. Henkilöllisyyden anastamiseen tähtäävä käyttö – kuten jonkun sanominen sanoneen jotain, mitä hän ei ole koskaan sanonut, tai hänen esiintymisensä puhelimessa – on laitonta, piste. Legitiimejä käyttötarkoituksia sen sijaan on, ja erittäin painavia sellaisia: yhtenäinen brändiääni kaikissa kanavissa tai saavutettavuusratkaisut, jotka palauttavat äänen sen menettäneille. Näiden on kuitenkin oltava sopimuksen varassa: kirjallinen suostumus, määritelty käyttötarkoitus ja tarkasti sovittu kestoaika. Jos projektisi liittyy todellisen äänen kloonamiseen, rakenna tämä oikeudellinen kehikko ennen ensimmäisen koodirivin kirjoittamista, älä sen jälkeen.
Voxtral Mini Transcribe Realtime: Ymmärrystä reaaliajassa
Toinen komponentti vastaa selkeästi tunnistettuun puutteeseen. Mistral tarjosi jo äänitiedostojen litterointia Voxtralilla, mutta tämä eräajotila olettaa nauhoituksen olevan valmis ennen käsittelyä. Koko joukko käyttötapauksia ei kuitenkaan voi odottaa: live-kokousten tai tapahtumien tekstitykset, puheagentti, jonka on ymmärrettävä käyttäjän puhuessa, tai jatkuva automaattinen muistiinpanojen teko.
Tähän tarpeeseen vastaa Voxtral Mini Transcribe Realtime (v26.02), jota dokumentaatiossa kuvataan tehokkaaksi syöteäänimalliksi, joka on esikoulutettu ja optimoitu live-litterointiin. Ero eräajotilaan ei ole kosmeettinen: reaaliajassa latenssista tulee ensisijainen rajoite, sillä puheagentti, joka tarvitsee kolme sekuntia lauseen ymmärtämiseen, tuottaa sietämättömän keskustelun. Jatkuvaa virtaa varten erityisesti optimoitu malli on siis oikea arkkitehtoninen ratkaisu sen sijaan, että eräajomallia yritettäisiin soveltaa uudelleen.
Mistral Audio Suite ja sen kokoaminen
Äänivalikoima koostuu nyt kolmesta toisiaan täydentävästä komponentista:
| Komponentti | Malli | Käyttö |
|---|---|---|
| Litterointi (eräajo) | Voxtral (STT) | Äänitiedostojen litterointi |
| Litterointi (live) | Voxtral Mini Transcribe Realtime | Reaaliaikainen virta |
| Synteesi | Voxtral TTS | Anna sovelluksillesi ääni |
Täydellistä puheagenttia varten tyypillinen ketju rakentuu seuraavasti: reaaliaikainen litterointi muuntaa käyttäjän puheen tekstiksi lennossa, kielimalli – useimmissa tapauksissa Small 4, vaativimmissa Medium 3.5 – ymmärtää ja muotoilee vastauksen, minkä jälkeen Voxtral TTS puhuu sen. Jokainen lenkki tulee samalta tarjoajalta, mikä yksinkertaistaa sopimuksia, laskutusta ja vaatimustenmukaisuutta – argumentti, joka painaa vaakakupissa yrityshankkeissa.
Kurssimme “Voxtral Transcription” ja “Voxtral TTS” käsittelevät näiden komponenttien perusteita; tämä oppitunti sijoittaa ne päivitettyyn vuoden 2026 valikoimaan. Jos olet käynyt ne, tässä kuvattu arkkitehtuuri on luonteva yhdistelmä siitä, mitä jo osaat tehdä komponentti kerrallaan.
Virallinen lähde: docs.mistral.ai — Models Overview
Keskeiset asiat
- Voxtral TTS (v26.03): Huippuluokan synteesi nollan shotin äänen klonauksella
- Äänen kloonaus vaatii henkilön nimenomaista suostumusta – tämä on ehdoton vaatimus
- Voxtral Mini Transcribe Realtime (v26.02) kattaa live-litteroinnin
- Puheagenttiketju: reaaliaikainen litterointi → LLM → TTS, kaikki samalta tarjoajalta