Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Offline vs. Realtime: valintaopas

Oppitunti 14 / 16 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Kaksi tilaa, kaksi filosofiaa
  2. Täydellinen vertailu
  3. Miten valita
  4. Kummankin tilan kustannukset
  5. Hybridiputki: Livestä raporttiin
  6. Keskeiset asiat

Kurssi päivitetty 3. marraskuuta 2026 Voxtral 3:lle Mistralin Migrate from Voxtral 2 -oppaan pohjalta: 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 malleilla voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 ja voxtral-mini-tts-3-0. Keskeiset muutokset: aikaleimat ovat vain jaksojen tasolla (word palauttaa 400-virheen), puhujantunnistus on mahdollinen reaaliajassa, reaaliaikaisten istuntojen asetukset lukkiutuvat ensimmäisen äänipaketin jälkeen, ja context_bias-syötteet ovat vapaamuotoisia (välilyönnilliset lauseet sallittu). Lähteet: Migrate from Voxtral 2 · Speech to Text.

Kaksi tilaa, kaksi filosofiaa

Voxtral tarjoaa kaksi litterointitapaa, jotka eroavat toisistaan eivät laadultaan, vaan luonteeltaan. Valinta niiden välillä ei ole implementaatioyksityiskohta, jota hienosäädät projektin lopussa. Se määrittää käytettävissäsi olevat ominaisuudet, koodin kirjoittamistavan, syntyvät kustannukset ja tarjoamasi käyttäjäkokemuksen. Tämä oppitunti antaa sinulle faktat, joiden perusteella teet valintasi, pidät siitä kiinni ja jopa yhdistät molemmat tilat silloin, kun se on järkevää.

Täydellinen vertailu

ArviointiperusteOffline (eräajo)Realtime (suoratoisto)
MalliVoxtral Mini (tai Small) Transcribe 3Voxtral Mini Transcribe Realtime 3
ViiveSekunteja minuutteihin (keston mukaan)Säädettävä viive 80 ms – 1,2 s tai 2,4 s
ÄänirajoitusKonteksti-ikkuna, jaettu context_bias:n kanssaJatkuva istunto
PuhujantunnistusKyllä, jaksojen aikaleimoillaKyllä, ilman aikaleimoja; ei käytettävissä vuoron lopun tunnistuksen kanssa
Kontekstin painotusKyllä (termilista, sallitut lauseet)Kyllä, istunnon asetuksissa
AikaleimatJaksojen tasolla (ei sanatason)Ei
Vuoron lopun tunnistusEiKyllä
ÄänimuotoYleiset tiedostomuodot16-bittinen mono PCM (oletus 16 kHz)
Kielet5045 kieltä ja murretta
Hinta 3. marraskuuta 20260,0035 $/min (Mini), 0,004 $/min (Small)0,008 $/min
OhjelmointiSynkroninen (yksinkertainen)Asynkroninen (async/await)
Ensisijainen käyttötarkoitusTallennetut tiedostotLive-ääni

Taulukon tarkempi tarkastelu paljastaa, mikä todella erottaa nämä kaksi tilaa toisistaan. Offline on ainoa tila, joka merkitsee aikaleiman jokaiselle jaksolle, koska se näkee koko äänen ennen vastaamista. Realtime on ainoa tila, joka tunnistaa vuoron loput ja palauttaa tekstiä puhujan vielä puhuessa. Et valitse täysversion ja kevytversion välillä. Valitset kahden tavan välillä palvella käyttäjää: jälkikäteen tai hetkessä.

Miten valita

Offline on selkeä valinta aina, kun käsittelet jo olemassa olevia äänitiedostoja – arkistoituja kokouksia, podcasteja, haastatteluja – sillä ääni on valmis, eikä sen keinotekoisesta pilkkomisesta ole hyötyä. Se on ainoa vaihtoehtosi, jos tarvitset puhujien tunnistamista, sillä puhujantunnistus ei ole saatavilla suoratoistossa. Se on myös oikea valinta, jos toimialasi vaatii erikoissanastoa, jota kontekstin painotuksen on ohjattava, tai jos tarvitset tarkkoja aikaleimoja jälkituotannon tekstitykseen. Lopuksi se säästää sinut alustavalta muunnokselta, kun lähteesi saapuvat eri muodoissa, ja siitä tulee ilmeinen valinta, kun viive ei ole kriittinen: viivästetty käsittely, yön yli ajettavat eräajot, arkistointiputket.

Realtime muuttuu välttämättömäksi, kun ääni saapuu jatkuvasti mikrofonista tai verkkovirrasta, eli lähetettävää tiedostoa ei ole. Se on pakollinen, kun tulosten on oltava saatavilla alle sekunnissa, kuten puheavustajassa, sanelutyökalussa tai konferenssin tai webinaarin live-tekstityksessä. Kaksi muutakin strategista syytä voi ohjata valintaa viiveestä riippumatta: paikallinen tai reunaverkon (edge) käyttöönotto, mikä on mahdollista avointen painoarvojen ansiosta, sekä vaatimukset tietosuojasta, kun data ei saa poistua infrastruktuuristasi.

On olemassa kolmas tie, joka on usein paras: yhdistä molemmat. Tekstytä konferenssi reaaliajassa ja käsittele tallenne sen jälkeen offline-tilassa puhtaiden, aikaleimattujen tekstitysten tuottamiseksi. Näytä live-litterointi kokouksen aikana ja aja sen jälkeen offline-kierros puhujantunnistuksella kohdentaaksesi jokaisen puheenvuoron oikealle puhujalle. Sanele reaaliajassa ja käsittele tiedosto sen jälkeen offline-tilassa tarkistusta ja korjauksia varten. Realtime palvelee hetkeä; offline palvelee dokumenttia.

Kummankin tilan kustannukset

Näillä kahdella tilalla ei ole samaa hinnoittelurakennetta. Huhtikuusta 2026 lähtien Mistral AI:n hinnoittelu perustuu käsitellyn äänen kestoon. Offline on yleensä edullisempi minuuttia kohden, koska eräajokäsittely on optimoitu, kun taas realtime sisältää lisähinnan jatkuvasta WebSocket-yhteydestä ja reaaliaikaisesta käsittelystä.

Kolme tapaa leikkaa kustannuksia ilman kompromisseja. Offline-tilassa niputa tiedostosi rajoittaaksesi API-pyyntöjen määrää. Realtime-tilassa sulje yhteys heti puheen loppuessa äläkä jätä sitä auki “varmuuden vuoksi”: unohtunut istunto kuluttaa resursseja tuottamatta tulosta. Tärkeintä on aina kysyä, onko live-käsittely todella välttämätöntä – jos realtime ei tuo lisäarvoa käyttäjälle, offline on sekä edullisempi että ominaisuuksiltaan rikkaampi.

Hybridiputki: Livestä raporttiin

Alla oleva koodi esittää hybridimallin sen yleisimmässä muodossa: kokouksessa. Istunnon aikana reaaliaikainen virta syöttää näyttöä: osallistujat näkevät tekstin vierivän, kukaan ei odota. Kun kokous päättyy, sama ääni, joka on nyt saatavilla kokonaisena tiedostona, käsitellään uudelleen offline-tilassa asetuksilla diarize=True ja jaksojen tason aikaleimoilla, mikä tuottaa raportin, jossa jokainen puheenvuoro kohdennetaan puhujalleen. Nämä kaksi kutsua eivät kilpaile; ne täydentävät toisiaan. Ensimmäinen palvelee välittömyyttä; toinen jäljitettävyyttä.

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-litterointi välitöntä näyttöä varten
    2. Offline-litterointi lopullista raporttia varten puhujantunnistuksella
    """
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Vaihe 1: Realtime (kokouksen aikana)
    print("=== LIVE-LITTEROINTI ===\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

    # Vaihe 2: Offline (kokouksen jälkeen)
    print("\n\n=== YKSITYISKOHTAINEN ANALYYSI ===\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

Huomaa tämän mallin asettama käytännön rajoitus: sinun on tallennettava ääni rinnakkain suoratoiston kanssa, sillä reaaliaikaisen virran kuluttamia paketteja ei säilytetä. Suunnittele tämä levylle kirjoitus alusta alkaen, muuten offline-vaiheella ei ole mitään käsiteltävää.

Keskeiset asiat

  • Offline loistaa tallennetuilla tiedostoilla, joissa tarvitaan puhujantunnistusta ja aikaleimoja
  • Realtime loistaa live-äänellä, jossa tarvitaan erittäin pieniä viiveitä
  • Molemmat tilat voidaan yhdistää hybridiputkessa
  • Offline on ominaisuuksiltaan rikkaampi (puhujantunnistus, kontekstin painotus, aikaleimat)
  • Realtime on joustavampi käyttöönotossa (avoimet painot, edge)
  • Tee valinta äänilähteen (tiedosto vs. live) ja vaadittujen ominaisuuksien perusteella