Voxtral 2026.: TTS i transkripcija u stvarnom vremenu
Na ovoj stranici
Ažurirano 2. studenoga 2026. — audio. Modeli Voxtral TTS (
voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) i njihove verzije za rad u stvarnom vremenu zastarjeli su od 31. listopada 2026., s planiranim ukidanjem 30. travnja 2027. Njihove nasljednike iz obitelji Voxtral 3, objavljene 20. listopada u javnoj pretpreglednoj verziji, te pipeline za glasovne agente obrađujemo u tečaju Mistral u 2026. (lekcija 11).
Mistrove mogućnosti obrade zvuka proširene su 2026. godine s dvije nove gradivne jedinice: sinteza govora iz teksta (TTS) i transkripcija u stvarnom vremenu. Promatrane zasebno, to su samo još dvije tehničke najave među mnogima; promatrane zajedno, one zatvaraju lanac — od korisnikova glasa do strojeva glasa — koji ti sada omogućuje izgradnju potpunog glasovnog agenta bez napuštanja Mistralova ekosustava. Ova lekcija pokriva svaku komponentu, a zatim pokazuje kako se one uklapaju zajedno.
Voxtral TTS: Daj svojim aplikacijama glas
Voxtral TTS (v26.03), najavljen 23. ožujka 2026., Mistralov je model za sintezu govora iz teksta. Službena dokumentacija ističe vrhunsku kvalitetu za glasovne agente, podršku za više jezika i, prije svega, sposobnost koju valja naglasiti: kloniranje glasa bez prethodnog treniranja (zero-shot). Konkretno, model može reproducirati glas na temelju kratkog audio uzorka bez potrebe za posebnom fazom učenja. Dok je kloniranje glasa ranije zahtijevalo sate snimanja i specifičnu fazu učenja, sada je dovoljno nekoliko sekundi za dobivanje uvjerljive imitacije.
Ova jednostavnost korištenja zahtijeva trenutno podsjećanje, i to nije puka formalnost: kloniranje nečijeg glasa zahtijeva njegovu izričitu suglasnost. U Europi je glas osobni podatak prema zakonu. Upotreba za impersonaciju — natjerati nekoga da kaže ono što nikada nije rekao, lažno se predstavljati kao ta osoba telefonom — nezakonita je, točka. Što se tiče legitimnih upotreba, a ima ih vrlo solidnih — dosljedan glas brenda na svim kanalima, rješenja za pristupačnost koja vraćaju glas ljudima koji su ga izgubili — one moraju biti uređene ugovorom: pisana suglasnost, definirano područje primjene, određeno trajanje. Ako tvoj projekt uključuje kloniranje stvarnog glasa, izgradi ovaj pravni okvir prije nego što napišeš prvi redak koda, a ne nakon.
Voxtral Mini Transcribe Realtime: Razumijevanje u stvarnom vremenu
Druga komponenta rješava jasno identificiran prazninu. Mistral je već nudio transkripciju audio datoteka s Voxtralom, no taj skupni način (batch mode) pretpostavlja da je snimanje završeno prije obrade. Međutim, čitava obitelj slučajeva upotrebe ne može čekati: titlovi za sastanke ili događaje uživo, glasovni agent koji mora razumjeti dok korisnik govori, kontinuirano automatsko bilježenje.
To je ono što pokriva Voxtral Mini Transcribe Realtime (v26.02), u dokumentaciji opisan kao učinkovit ulazni audio model, pretreniran i optimiziran za transkripciju uživo. Razlika u odnosu na skupni način nije kozmetička: u stvarnom vremenu latencija postaje primarno ograničenje, jer glasovni agent kojem trebaju tri sekunde da razumije rečenicu proizvodi nepodnošljiv razgovor. Model specifično optimiziran za kontinuirani stream stoga je ispravan arhitektonski odgovor, umjesto prenamjene skupnog modela.
Mistralov audio paket i kako ga sastaviti
Audio ponuda sada se sastoji od tri komplementarne komponente:
| Komponenta | Model | Upotreba |
|---|---|---|
| Transkripcija (skupno) | Voxtral (STT) | Transkripcija audio datoteka |
| Transkripcija (uživo) | Voxtral Mini Transcribe Realtime | Stream u stvarnom vremenu |
| Sinteza | Voxtral TTS | Daj svojim aplikacijama glas |
Za potpunog glasovnog agenta, tipičan lanac sastavlja se na sljedeći način: transkripcija u stvarnom vremenu pretvara korisnikov govor u tekst u letu, jezični model — Small 4 za većinu slučajeva, Medium 3.5 za najzahtjevnije — razumije i formulira odgovor, a zatim ga Voxtral TTS izgovara. Svaka karika dolazi od istog pružatelja usluge, što pojednostavljuje ugovaranje, naplatu i usklađenost — argument koji ima težinu u poduzetničkim projektima.
Naši tečajevi „Voxtral Transkripcija“ i „Voxtral TTS“ pokrivaju osnove ovih komponenti; ova lekcija smješta ih u ažurirani raspon za 2026. godinu. Ako si ih pohađao/la, arhitektura ovdje opisana prirodna je kombinacija onoga što već znaš raditi komponentu po komponentu.
Službeni izvor: docs.mistral.ai — Models Overview
Ključne točke
- Voxtral TTS (v26.03): Vrhunska sinteza s kloniranjem glasa bez prethodnog treniranja (zero-shot)
- Kloniranje glasa zahtijeva izričitu suglasnost osobe — to je nepregovorno
- Voxtral Mini Transcribe Realtime (v26.02) pokriva transkripciju uživo
- Lanac glasovnog agenta: transkripcija u stvarnom vremenu → LLM → TTS, sve od istog pružatelja usluge