Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Johdanto Mistralin ääniominaisuuksiin

Oppitunti 5 / 14 Päivitetty 2. marraskuuta 2026 Aloittelija
Tällä sivulla
  1. Kun tekoäly oppii kuuntelemaan ja puhumaan
  2. Voxtral-perhe
  3. Puheesta tekstiksi: Äänestä tekstiin
  4. Tekstistä puheeksi: Tekstistä ääneen
  5. Mihin ääntä käytetään Vibessä?
  6. Keskeiset asiat

Päivitys 2. marraskuuta 2026 — Le Chat on nyt Vibe. 28. toukokuuta 2026 lähtien Le Chat on uudelleenbrändätty nimelle Vibe (osoitteessa chat.mistral.ai): se on yksi agentti työhön ja koodaukseen, joka säilyttää keskustelusi, asetuksesi ja tilauksesi. Vanha Le Chat -kokemus on edelleen käytettävissä Chat-tilassa; Work-tilassa agenteista on tullut taitoja (kutsutaan merkillä @), muistit ovat nyt tietopankki ja syvällinen tutkimus on Deep Research -taito. Suunnitelmat ovat nyt nimeltään Mistral Free, Pro, Team ja Enterprise. Tässä oppitunnissa käytetään nimeä Vibe; huomaa, että jotkin tässä kuvatut valikot ovat voineet vaihtaa nimeä tai sijaintia.

Kun tekoäly oppii kuuntelemaan ja puhumaan

Näkökyvyn jälkeen ääni edustaa Mistral AI:n toista suurta multimodaalista vallankumousta. Voxtral-malliperheen ansiosta Vibe ei enää vain lue ja kirjoita tekstiä – se osaa nyt transkriboida puhetta, osallistua äänikeskusteluihin ja tuottaa puhetta tekstistä. Lyhyesti sanottuna silmukka on suljettu: tekoäly kuuntelee sinua, ymmärtää sinut ja vastaa sinulle ääneen. Tämä oppitunti esittelee kaikki nämä ominaisuudet, ennen kuin myöhemmät tunnit käyvät ne yksityiskohtaisesti läpi yksi kerrallaan.

Voxtral-perhe

Mistral on kehittänyt kattavan valikoiman äänimalleja Voxtral-tuotemerkin alla, ja jokaisella niistä on oma erityinen roolinsa ääniputkistossa. Voxtral Mini Transcribe on eräajotranskriptiomalli (puheesta tekstiksi): syötät sille äänitiedoston, ja se palauttaa kirjoitetun tekstin poikkeuksellisella tarkkuudella – tämä malli on käytössä, kun lataat kokoustallenteen. Voxtral Realtime on sen reaaliaikainen vastine: se on suunniteltu äänikeskusteluihin ja transkriboi puhetta sitä mukaa kun sitä tuotetaan erittäin pienellä viiveellä, joka on säädettävissä alle 200 millisekuntiin – tämä mahdollistaa Viben sujuvan äänitilan. Lopuksi Voxtral TTS toimii päinvastaiseen suuntaan: puheentuotto (text-to-speech) muuntaa tekstin luonnolliseksi puheeksi, ja siinä on mahdollista kloonia ääni vain muutaman sekunnin tallenteen perusteella.

OminaisuusMalliKieletViive
Transkriptio (STT eräajo)Voxtral Mini Transcribe V213 kieltäMuutama sekunti tiedostoa kohden
Reaaliaikainen transkriptio (STT)Voxtral Realtime13 kieltäAlle 200 ms
Puheentuotto (TTS)Voxtral TTS9+ kieltä~90 ms (malli)

Puheesta tekstiksi: Äänestä tekstiin

Äänitranskriptio on kykyä muuntaa äänitallenne kirjoitetuksi tekstiksi, ja Voxtral Mini Transcribe erottuu edukseen useilla alueilla. Ensinnäkin sen tarkkuus: sanavirheprosentti pysyy alhaisena jopa keskivertolaatuisilla tallenteilla – sellaisilla tiedostoilla, jotka on nauhoitettu puhelimeilla, jotka lepäävät kokouspöydän keskellä. Se suorittaa myös kaiutinerottelun (diarization), mikä tarkoittaa, että se tunnistaa automaattisesti eri puhujat keskustelussa: transkriptiossa erotellaan “Puhuja 1” ja “Puhuja 2”, mikä muuttaa kaiken kokousmuistioiden kannalta. Sen kohinankestävyys mahdollistaa hyvän tarkkuuden säilymisen vaativissa ympäristöissä – kahviloissa, kaduilla, monen puhujan kokouksissa. Lopuksi se käsittelee pitkiä tallenteita, jopa 3 tuntia ääntä yhdessä pyynnössä, mikä riittää kattamaan kokonaisen konferenssin.

Kielirintamalla tuettuja kieliä on 13: englanti, ranska, espanja, saksa, italia, portugali, hollanti, kiina, hindi, arabia, venäjä, japani ja korea. Yleisten eurooppalaisten käyttötapauksien osalta olet hyvin turvattu.

Tekstistä puheeksi: Tekstistä ääneen

Puheentuotto toimii päinvastaiseen suuntaan: syötät tekstiä, ja Voxtral TTS lukee sen ääneen luonnollisella äänellä. Sen spectaculaireisin ominaisuus on äänen kloonaus: vain 2–3 sekunnin äänitallenteestasi malli voi tuottaa puhetta, joka kuulostaa sinulta. Tämä kloonaus perustuu ääni-käskynä-periaatteeseen: malli toistaa referenssiääninäytteen intonaation, rytmin ja tunteen ilman tarvetta merkitä tekstiä prosodiatageillä – näyte itsessään toimii käskynä.

Malli on monikielinen – englanti, ranska, espanja, portugali, italia, hollanti, saksa, hindi, arabia – ja se voi jopa sekoittaa kieliä yhden jakson sisällä. Lopuksi se toimii suoratoistotilassa: äänen generointi alkaa noin 90 millisekunnissa, mikä mahdollistaa lähes välittömät vuorovaikutukset sen sijaan, että joutuisit odottamaan kysymyksesi ja puhutun vastauksen välillä.

Mihin ääntä käytetään Vibessä?

Konkreettisesti Viben käyttäjänä nämä ominaisuudet tarkoittavat neljää arkista toimintoa. Voit transkriboida kokouksen: lataa tallenne ja saat tekstiyhteenvedon sekunneissa. Voit puhua äänellä aktivoimalla äänitilan luonnollista keskustelua varten ilman näppäimistöä. Voit kuunnella vastauksia pyytämällä Vibeä lukemaan tekstinsä ääneen – kätevää kävellessä tai ruokaa laittaessa. Ja voit sanelua viestisi puhumalla kirjoittamisen sijaan.

Seuraavissa oppitunneissa käymme läpi jokaisen näistä käytöistä askel askeleelta: ensin tiedostotranskriptio, sitten reaaliaikainen äänitila ja lopuksi puheentuotto.

Keskeiset asiat

  • Voxtral on Mistralin äänimalliperhe, joka kattaa transkription, reaaliaikaisen käsittelyn ja puheentuoton
  • Transkriptio tukee 13 kieltä, kaiutinerottelua ja jopa 3 tunnin äänitallenteita
  • Puheentuotto voi kloonia äänen sekunneissa ja puhua yli 9 kielellä
  • Vibessä kaikki on integroitu: voit transkriboida, puhua ja kuunnella ilman ulkoisia työkaluja