Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Uvod u zvučne mogućnosti Mistrala

Lekcija 5 od 14 Ažurirano 2. studenoga 2026. Početnik
Na ovoj stranici
  1. Kada AI nauči slušati i govoriti
  2. Obitelj Voxtral
  3. Govor-u-tekst: Od glasa do teksta
  4. Tekst-u-govor: Od teksta do glasa
  5. Čemu služi audio u Vibeu?
  6. Ključne točke

Ažuriranje 2. studenoga 2026. — Le Chat sada je Vibe. Od 28. svibnja 2026., Le Chat je rebrendiran u Vibe (i dalje na chat.mistral.ai): jedinstveni agent za rad i kodiranje koji prenosi tvoje razgovore, postavke i pretplate. Legacy iskustvo Le Chata ostaje dostupno u načinu Chat; u načinu Work, agenti su postali vještine (pozivaju se s @), memorije su sada baza znanja, a dubinsko istraživanje je vještina Deep Research. Planovi se sada zovu Mistral Free, Pro, Team i Enterprise. Ova lekcija koristi naziv Vibe; imaj na umu da su se neki izbornici ovdje opisani mogli promijeniti po nazivu ili lokaciji.

Kada AI nauči slušati i govoriti

Nakon vida, audio predstavlja drugu veliku multimodalnu revoluciju Mistral AI-ja. Uz obitelj modela Voxtral, Vibe više ne samo čita i piše tekst — sada može transkribirati govor, sudjelovati u glasovnim razgovorima i generirati govor iz teksta. Ukratko, petlja je zatvorena: AI te sluša, razumije i odgovara ti naglas. Ova lekcija uvodi sve te mogućnosti prije nego što ih naredne lekcije detaljno razrade jednu po jednu.

Obitelj Voxtral

Mistral je razvio sveobuhvatan skup audio modela pod brendom Voxtral, pri čemu svaki ispunjava specifičnu ulogu u audio cjevovodu. Voxtral Mini Transcribe je model za skupnu transkripciju (govor-u-tekst): daš mu audio datoteku, a on vraća pisani tekst s izvanrednom točnošću — to je model koji radi kada učitaš snimku sastanka. Voxtral Realtime njegov je partner za rad u stvarnom vremenu: dizajniran za glasovne razgovore, transkribira govor dok se događa s ultra-niskom latencijom, podesivom ispod 200 milisekundi — to je ono što omogućuje fluidni glasovni način rada Vibea. Konačno, Voxtral TTS ide u suprotnom smjeru: sinteza teksta-u-govor pretvara tekst u prirodan glas, s mogućnošću kloniranja glasa iz samo nekoliko sekundi snimke.

ZnačajkaModelJeziciLatencija
Transkripcija (STT skupno)Voxtral Mini Transcribe V213 jezikaNekoliko sekundi po datoteci
Transkripcija u stvarnom vremenu (STT)Voxtral Realtime13 jezikaIspod 200 ms
Tekst-u-govor (TTS)Voxtral TTS9+ jezika~90 ms (model)

Govor-u-tekst: Od glasa do teksta

Audio transkripcija je sposobnost pretvaranja glasovne snimke u pisani tekst, a Voxtral Mini Transcribe ističe se u nekoliko aspekata. Prvo, njegova točnost: stopa pogreške u riječima ostaje niska, čak i na snimkama srednje kvalitete — vrsta datoteke koju uhvati telefon položen usred konferencijskog stola. Također izvodi dijarizaciju, što znači da automatski identificira različite govornike u razgovoru: transkripcija razlikuje „Govornik 1“ i „Govornik 2“, što mijenja sve za zapisnike sa sastanaka. Njegova otpornost na buku omogućuje održavanje dobre točnosti u teškim okruženjima — kafići, ulice, sastanci s više glasova. Naposljetku, rukuje dugim snimkama, do 3 sata audia u jednom zahtjevu, što je dovoljno za pokrivanje cijele konferencije.

Što se tiče jezika, podržano ih je 13: engleski, francuski, španjolski, njemački, talijanski, portugalski, nizozemski, kineski, hindi, arapski, ruski, japanski i korejski. Za uobičajene europske slučajeve uporabe, dobro si pokriven.

Tekst-u-govor: Od teksta do glasa

Tekst-u-govor radi u suprotnom smjeru: daješ tekst, a Voxtral TTS ga čita naglas prirodnim glasom. Njegova naj spektakularnija značajka je kloniranje glasa: iz samo 2 do 3 sekunde tvoje glasovne snimke, model može generirati govor koji zvuči kao ti. Ovo kloniranje oslanja se na princip glas-kao-uputa: model reproducira intonaciju, ritam i emociju referentnog uzorka glasa bez potrebe za annotiranjem teksta prozodijskim oznakama — sam uzorak služi kao uputa.

Model je višejezičan — engleski, francuski, španjolski, portugalski, talijanski, nizozemski, njemački, hindi, arapski — i može čak miješati jezike unutar jednog odlomka. Naposljetku, radi u načinu strujanja: generiranje glasa počinje za oko 90 milisekundi, omogućujući gotovo trenutne interakcije umjesto čekanja između tvog pitanja i usmenog odgovora.

Čemu služi audio u Vibeu?

Konkretno, kao korisnik Vibea, ove se mogućnosti prevode u četiri svakodnevne radnje. Možeš transkribirati sastanak: učitaš snimku i dobiješ tekstualni sažetak u nekoliko sekundi. Možeš razgovarati glasom aktiviranjem glasovnog načina, za prirodan razgovor bez tipkovnice. Možeš slušati odgovore tražeći od Vibea da naglas pročita svoj tekst — zgodno dok hodaš ili kuhaš. I možeš diktirati svoje poruke, govoreći umjesto tipkanja.

U sljedećim lekcijama detaljno ćemo razraditi svaku od ovih uporaba korak po korak: prvo transkripcija datoteka, zatim glasovni način rada u stvarnom vremenu, i konačno sinteza teksta-u-govor.

Ključne točke

  • Voxtral je Mistralova obitelj audio modela, koja pokriva transkripciju, obradu u stvarnom vremenu i tekst-u-govor
  • Transkripcija podržava 13 jezika, dijarizaciju i do 3 sata audia
  • Tekst-u-govor može klonirati glas u nekoliko sekundi i govoriti na 9+ jezika
  • U Vibeu je sve integrirano: možeš transkribirati, govoriti i slušati bez vanjskih alata