Johdatus Mistral AI:n äänitekniikkaan
Tällä sivulla
Kurssi päivitetty 3. marraskuuta 2026 Voxtral 3:ta varten perustuen Mistralin oppaaseen Migrate from Voxtral 2: Voxtral 2 -mallit (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603) poistettiin käytöstä 31. lokakuuta 2026 ja ne lopetetaan kokonaan 30. huhtikuuta 2027. Esimerkeissä ne on korvattu malleillavoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3javoxtral-mini-tts-3-0. Keskeiset muutokset: aikaleimat vain segmenttitasolla (wordpalauttaa 400-virheen), reaaliaikainen kaiutintunnistus tuettu, reaaliaikaisten istuntojen asetukset lukittuvat ensimmäisen äänipaketin jälkeen ja vapaamuotoisetcontext_bias-syötteet (välilyönnilliset fraasit). Lähteet: Migrate from Voxtral 2 · Speech to Text.
Voxtral-perhe: Mistral AI:n äänipaketti
Mistral AI on astunut tekstin ulkopuolelle. Voxtral-perheen myötä ranskalaisyhtiö tarjoaa täydellisen puhutteeseen keskittyvän malliston: litterointi, äänen ymmärtäminen ja tekstistä puheeksi -muunnos (TTS). Tässä kurssissa opit hyödyntämään näitä ominaisuuksia muuntaaksesi äänivirrat aidosti käyttökelpoiseksi tekstiksi, mukana tarvittava Python-koodi.
Automaattinen puheentunnistus (ASR) eli puheesta tekstiksi (STT) on teknologia, jota hyödynnät todennäköisesti päivittäin. Koulutusvideoiden tekstitykset, johtoryhmän kokousmuistiot, asiakaspalvelun puheavustajat ja julkisten verkkosivustojen saavutettavuus nojaavat kaikki samaan ydintekniikkaan. Mistral AI tuo alalle suvereenin, suorituskykyisen ja tietosuojaa kunnioittavan lähestymistavan – mikä on kriittistä, kun äänimateriaalisi sisältää potilaiden nimiä, asiakastietoja tai sisäisiä keskusteluja.
Kaksi tapaa litteroida
Voxtral tukee kahta tilaa, jotka vastaavat täysin erilaisiin vaatimuksiin. Ensimmäinen on offline-litterointi, eli eräajot: lähetät valmiin äänitiedoston ja vastaanotat litteroinnin. Tämä tila sopii nauhoitettuihin podcasteihin, myöhemmin päivän aikana ladattaviin kenttähaastatteluihin tai arkistoituihin luentoihin. Tätä hoitavat Voxtral Mini Transcribe 3 ja tarkkuuden vaatiessa Voxtral Small Transcribe 3, jotka tarjoavat kaiutintunnistuksen ja segmenttitason aikaleimat.
Toinen tila on reaaliaikainen litterointi eli suoratoisto: ääni litteroituu saapuessaan, ja viive on säädettävissä välillä 80 ms – 1,2 sekuntia (tai 2,4 sekuntia). Mitään ei ole esinauhoitettu; kaikki tapahtuu puhujan puhuessa. Tämä tila mahdollistaa suorien webinaarien tekstitykset, puheavustajat ja sanelutyökalut. Tätä varten on rakennettu Voxtral Mini Transcribe Realtime 3 -malli. Pidä tämä ero mielessäsi nyt: se ohjaa useimpia teknisiä valintojasi kurssin loppuosan ajan.
Tuetut kielet
Voxtral 3:n tiedostolitterointimallit kattavat 50 kieltä, kun taas reaaliaikainen malli tukee 45 kieltä ja murretta, mukaan lukien suomi ja ranska. Ilman language-parametria malli tunnistaa äänitteen kielen automaattisesti; jos tiedät kielen, määritä se käyttämällä sen kaksikirjaimista koodia (esim. fi tai fr).
Mitä Voxtral tekee raakatekstin lisäksi
Pelkkä litterointi ei aina riitä. Kaiutintunnistus (diarization) tunnistaa puhujat automaattisesti: viiden hengen kokouksessa malli erottaa, kuka puhui ja milloin, muuttaen tekstiseinän luettavaksi yhteenvedoksi. Kontekstiharhautus (context biasing) antaa sinun syöttää erikoissanastoa – erisnimiä, teknisiä termejä, lyhenteitä – jotta esimerkiksi “Kubernetes” tai “GDPR” eivät vääristy insinöörikokouksessa.
Segmenttitason aikaleimat tarjoavat kunkin litterointijakson aloitus- ja lopetusajan, mikä mahdollistaa synkronoitujen tekstitysten luonnin; Voxtral 3 ei enää tue sanatason aikaleimoja. Kohinankestävyys säilyttää tarkkuuden haastavissa akustisissa ympäristöissä: taustamelu, kokoushuoneen kaikuminen tai kannettavan tietokoneen mikrofonit. Lopuksi, voit lähettää äänitteet tiedostoina, URL-osoitteen kautta tai aiemmin ladatuista tiedostoista ja vastaanottaa vastaukset virtana, paketti kerrallaan.
Vaatimustenmukaisuus ja suvereniteetti
Edellisen sukupolven reaaliaikainen malli, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 miljardia parametria), on julkaistu avoimina painoina Apache 2.0 -lisenssillä: voit isännöidä sitä itse ilman riippuvuutta ulkoisesta rajapinnasta, jopa sen poistumisen jälkeen API-palvelusta 30. huhtikuuta 2027.
Tämä on merkittävä etu eurooppalaisille yrityksille, jotka kohtaavat tiukkoja sääntelyvaatimuksia äänidatan käsittelyssä: kokousnauhoitukset, asiakaspuhelut tai lääketieteelliset konsultaatiot eivät koskaan poistu omasta infrastruktuuristasi.
Mitä opit
Kurssi etenee suoraviivaisesti. Aloitat ymmärtämällä kolme Voxtral-mallia ja valitsemalla oikean käyttötarkoitukseesi. Seuraavaksi siirryt offline-litterointiin, käsitellen rajapintaa, sen parametreja, kaiutintunnistusta ja kontekstiharhautusta. Sen jälkeen siirryt reaaliaikaiseen litterointiin: suoratoisto, mikrofonin kaappaus ja viiveen hallinta. Lopetat tuotantoon käyttöönottoon, mukaan lukien optimointi, virheenkäsittely ja kustannusten hallinta. Jokainen oppitunti sisältää täydellisen, toimivan Python-koodin, jonka voit ajaa sellaisenaan.
Keskeiset asiat
- Voxtral on Mistral AI:n äänimalliperhe, joka kattaa STT:n ja TTS:n
- Kaksi litterointitilaa: offline (tiedostot) ja reaaliaikainen (suoratoisto, säädettävä viive alkaen 80 ms)
- 50 kieltä tiedostoille, 45 reaaliajalle, mukaan lukien suomi ja ranska
- Edistyneet ominaisuudet: kaiutintunnistus, kontekstiharhautus, segmenttitason aikaleimat, kohinankestävyys
- Suvereeni käyttöönotto mahdollinen toisen sukupolven reaaliaikaisella mallilla, saatavilla avoimina painoina Apache 2.0 -lisenssillä