Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Voxtral — Mistralovi zvučni modeli

Lekcija 5 od 14 Ažurirano 28. srpnja 2026. Početnik
Na ovoj stranici
  1. Zvuk, nova granica umjetne inteligencije
  2. Voxtral TTS — Sinteza govora nove generacije
  3. Voxtral Mini Transcribe 2 — Transkripcija zvuka
  4. Voxtral Mini Transcribe Realtime — Obrada u stvarnom vremenu
  5. Voxtral Small — Zvučni ulaz
  6. Ključne točke

Zvuk, nova granica umjetne inteligencije

Umjetna inteligencija više nije ograničena samo na tekst. Razumijevanje i generiranje govora postali su konkretan izazov za brojne primjene: glasovne asistente, transkripciju sastanaka, sinkronizaciju filmova i pristupačnost. Mistral je razvio obitelj Voxtral kako bi pokrio cijeli taj lanac. Četiri modela koja ćemo analizirati nisu međusobno zamjenjiva: svaki zauzima specifičnu točku u lancu, a zabuna oko njihovih uloga najčešća je pogreška pri dizajniranju aplikacija.

Voxtral TTS — Sinteza govora nove generacije

Lansiran u ožujku 2026., Voxtral TTS model je za sintezu govora iz teksta (text-to-speech). Riječ je o jednom od najznačajnijih izdanja godine, prvenstveno zbog jedne sposobnosti: kloniranja glasa bez dodatnog treniranja (zero-shot voice cloning).

Načelo je jednostavno za izreći, ali nosi značajne implikacije. Dostaviš zvučni uzorak glasa — dovoljno je nekoliko sekundi — i model zatim generira bilo koji tekst tim glasom, bez potrebe za dodatnim treniranjem. Timbar, ritam i karakteristike izvornog glasa hvataju se u jednom prolazu: nema potrebe za financiranjem prikupljanja podataka ili sesija treniranja između trenutka kada čuješ glas i trenutka kada ga možeš koristiti.

Odmah se nameću četiri područja primjene. Sinkronizacija i lokalizacija omogućuju prijevod zvučnog sadržaja uz očuvanje izvornog glasa, čime se održava identitet brenda ili govornika na različitim jezicima. Pristupačnost ima koristi od sučelja opremljenih prirodnim, personaliziranim glasom umjesto bezosobne sinteze. Obrazovni sadržaj dobiva dosljednu naraciju od modula do modula, bez potrebe za ponovnim snimanjem. Glasovni asistenti konačno mogu imati prepoznatljiv zvučni identitet.

Tehnički gledano, model je višejezičan i podržava francuski jezik. Radi u streamingu u stvarnom vremenu: glas se proizvodi u hodu, bez čekanja da cijeli tekst bude dostupan, što omogućuje fluidan razgovor. Izlaz je blizak ljudskom govoru, s upravljanjem intonacijom i emocijama. Model pripada razini Open, s težinama objavljenima na Hugging Faceu.

Ova moć zahtijeva disciplinu. Mistral preporučuje sustavno traženje suglasnosti osobe čiji se glas klonira, nikada ne korištenje ove tehnologije za lažno predstavljanje tuđeg identiteta te jasno označavanje sadržaja generiranog umjetnom inteligencijom. Ova tri pravila nisu teoretske mjere opreza: projekt sinkronizacije koji ih zanemaruje izlaže riziku i svog klijenta i osobu čiji je glas poslužio kao uzorak.

Voxtral Mini Transcribe 2 — Transkripcija zvuka

Objavljen u veljači 2026., Voxtral Mini Transcribe 2 ide suprotnim smjerom: to je Mistralov model za transkripciju zvuka, odnosno pretvorbu govora u tekst (speech-to-text), i pretvara govor u tekst s visokom preciznošću. Spada u razinu Premier, što znači da mu se pristupa putem API-ja.

Četiri sposobnosti razlikuju ga od običnog transkriptora. Transkripcija je višejezična s automatskim otkrivanjem jezika, čime se izbjegava prethodno konfiguriranje svake datoteke. Razdvajanje govornika (diarization) identificira različite sugovornike u razgovoru — bez toga, zapisnik sastanka sa šest sudionika ostaje blok neupotrebljivog teksta. Pristranost konteksta (context biasing) omogućuje modelu da dostaviš specijalizirani rječnik, vlastita imena ili tehničke pojmove, kako bi prestao krivo zapisivati reference bitne za tvoje područje. Vremenske oznake, naposljetku, usklađuju transkripciju riječ-po-riječ sa zvučnim zapisom.

Ove karakteristike ocrtavaju slučajeve uporabe: zapisnici sastanaka s identifikacijom sudionika, sinkronizirane titlove, analizu poziva korisničke podrške i indeksiranje govornog sadržaja kako bi se arhiva snimki, koja je prije bila nepretraživa, učinila pretraživom.

Voxtral Mini Transcribe Realtime — Obrada u stvarnom vremenu

Kada latencija ima prednost nad profinjenošću, Voxtral Mini Transcribe Realtime transkribira u kontinuiranom toku: tekst se pojavljuje dok osoba govori, bez čekanja kraja rečenice. Ovaj model spada u razinu Open, što omogućuje lokalno hostiranje — odlučujući argument za osjetljive aplikacije gdje zvuk ne smije napustiti tvoju infrastrukturu.

ZnačajkaTranscribe 2Transcribe Realtime
LatencijaSkupna (naknadna obrada)Stvarno vrijeme (streaming)
PreciznostVišaNešto niža
Razdvajanje govornikaDaOgraničeno
RazinaPremierOpen
Tipična uporabaTranskripcija datotekaTitlovi uživo

Ovu tablicu čitaj kao kompromis, a ne kao rang-listu: Realtime ne biraš zato što je bolji, već zato što titlovi uživo ne trpe nikakvu naknadnu obradu.

Voxtral Small — Zvučni ulaz

Voxtral Small, objavljen u srpnju 2025., igra drugačiju ulogu od prethodnih. Prihvaća zvuk kao ulaz za zadatke s uputama: pošalješ mu datoteku i zatražiš da je sažme, odgovori na pitanja o njezinom sadržaju ili je analizira. Dakle, nije riječ o transkriptoru koji bi se vezao s tekstualnim modelom, već o multimodalnom instrukcijskom modelu za zvuk, koji radi izravno na zvučnom signalu.

Ključne točke

  • Voxtral TTS (ožujak 2026.) model je za sintezu govora s kloniranjem glasa bez dodatnog treniranja (zero-shot)
  • Voxtral Mini Transcribe 2 nudi preciznu transkripciju s razdvajanjem govornika i pristranošću konteksta
  • Voxtral Realtime omogućuje transkripciju u streamingu, otvorenog koda
  • Voxtral Small multimodalni je instrukcijski model koji razumije zvučni ulaz
  • Obitelj Voxtral pokriva cijeli lanac: tekst → glas (TTS), glas → tekst (transkripcija) i glas → razumijevanje (instrukcijski zvuk)