Voxtral — A Mistral hangmodelljei
Ezen az oldalon
Hang: az MI új határtere
A mesterséges intelligencia már nem korlátozódik csupán a szövegre. A beszéd megértése és előállítása konkrét kihívást jelent számos alkalmazás számára: hangalapú asszisztensek, értekezletek leiratozása, szinkronizálás, akadálymentesítés. A Mistral a Voxtral családot fejlesztette ki, hogy lefedje ezt a teljes láncolatot. A most bemutatott négy modell nem felcserélhető: mindegyik a láncolat egy specifikus pontját tölti be, és szerepük összekeverése a leggyakoribb hiba az alkalmazások tervezésekor.
Voxtral TTS — Új generációs beszédszintézis
A Voxtral TTS, amelyet 2026 márciusában indítottak útjára, a szövegből beszéddé alakító (text-to-speech) szintézismodell. Az év egyik legjelentősebb megjelenése, elsősorban egyetlen képessége miatt: a nulla mintás (zero-shot) hangklónozás.
Az elv egyszerűen fogalmazva nagy horderejű következményekkel jár. Bemutatsz egy hangmintát – néhány másodperc is elég –, és a modell ezt követően bármilyen szöveget képes előállítani ezzel a hanggal, további tanítás nélkül. A forráshang tónusa, ritmusa és jellemzői egyetlen menetben rögzülnek: nincs szükség adatgyűjtés finanszírozására vagy tanítási munkamenetekre arra az időre, amíg a hangot meghallod és használatba veszed.
Négy alkalmazási terület azonnal kirajzolódik. A szinkronizálás és lokalizálás lehetővé teszi, hogy a hangtartalmat lefordítsd az eredeti hang megőrzése mellett, így a márka vagy a beszélő identitása nyelveken átívelően megmarad. Az akadálymentesítés előnyére válik, ha a felületeket nem személytelen szintézis, hanem természetes, személyre szabott hang látja el. Az oktatási tartalmak egységes narrációt kapnak modulról modulra, újrafelvétel nélkül. A hangalapú asszisztensek végül sajátos hangidentitásra tehetnek szert.
Technikai szempontból a modell többnyelvű és támogatja a franciát is. Valós idejű streamingben működik: a hang menet közben készül el, anélkül, hogy meg kellene várni a teljes szöveg rendelkezésre állását, ami gördülékeny párbeszédet tesz lehetővé. A kimenet közel áll az emberi beszédhez, hanglejtés- és érzelemkezeléssel. A modell az Open szinthez tartozik, a súlyok a Hugging Face-en érhetők el.
Ez a hatalom fegyelmet igényel. A Mistral azt javasolja, hogy rendszeresen kérd ki annak a személynek a beleegyezését, akinek a hangját klónozod, soha ne használd ezt a technológiát személyazonosság bitorlására, és egyértelműen jelöld a mesterséges intelligencia által generált tartalmakat. Ez a három szabály nem elméleti óvintézkedés: egy szinkronprojekt, amely elhanyagolja ezeket, ugyanúgy veszélyezteti a megbízót, mint azt a személyt, akinek a hangja mintaként szolgált.
Voxtral Mini Transcribe 2 — Hangleiratozás
A 2026 februárjában megjelent Voxtral Mini Transcribe 2 az ellenkező irányba halad: ez a Mistral hangleiratozó modellje, más szóval beszédből szöveggé alakító (speech-to-text), amely nagy pontossággal konvertálja a beszédet szöveggé. A Premier szinthez tartozik, így API-n keresztül érhető el.
Négy képesség különbözteti meg egy alapvető leiratozótól. A leiratozás többnyelvű, automatikus nyelvfelismeréssel, ami elkerüli az egyes fájlok előzetes konfigurálását. A beszélőazonosítás (diarization) felismeri a különböző beszélőket egy beszélgetésben – enélkül egy hat résztvevős értekezlet jegyzőkönyve csak egy használhatatlan szövegtömb marad. A kontextus-biasolás lehetővé teszi, hogy szakmai szókincset, tulajdonneveket vagy műszaki kifejezéseket adj meg a modellnek, így az abbahagyja a számodra fontos hivatkozások elrontását. Végül az időbélyegek szó szerint igazítják a leiratot a hangsávhoz.
Ezek a jellemzők határozzák meg a felhasználási eseteket: résztvevő-azonosítással ellátott értekezleti jegyzőkönyvek, szinkronizált feliratok, ügyfélszolgálati hívások elemzése, valamint a beszélt tartalom indexelése, hogy a korábban kereshetetlen hangarchívumok kereshetővé váljanak.
Voxtral Mini Transcribe Realtime — Valós idejű feldolgozás
Amikor a késleltetés elsőbbséget élvez a finomsággal szemben, a Voxtral Mini Transcribe Realtime folyamatos streamben végzi a leiratozást: a szöveg megjelenik, ahogy a személy beszél, anélkül, hogy megvárná a mondat végét. Ez a modell az Open szinthez tartozik, ami lehetővé teszi a helyi hosztolást – döntő érv azoknál az érzékeny alkalmazásoknál, ahol a hangnak nem szabad elhagynia az infrastruktúrádat.
| Funkció | Transcribe 2 | Transcribe Realtime |
|---|---|---|
| Késleltetés | Kötegelt (utófeldolgozás) | Valós idejű (streaming) |
| Pontosság | Magasabb | Kicsit alacsonyabb |
| Beszélőazonosítás | Igen | Korlátozott |
| Szint | Premier | Open |
| Tipikus használat | Fájlok leiratozása | Élő feliratozás |
Ezt a táblázatot kompromisszumként, nem pedig rangsorolásként kell olvasnod: nem azért választod a Realtime modellt, mert jobb, hanem mert az élő feliratozás nem tűri az utófeldolgozást.
Voxtral Small — Hangbemenet
A 2025 júliusában közzétett Voxtral Small eltérő szerepet tölt be, mint az előzőek. Hangot fogad bemenetként utasítási feladatokhoz: küldesz neki egy fájlt, és arra kéred, hogy foglalja össze, válaszoljon a tartalmával kapcsolatos kérdésekre, vagy elemezze azt. Tehát nem egy leiratozó, amelyet egy szöveges modellel láncolnál össze, hanem egy multimodális hang-instrukciós modell, amely közvetlenül a hangjelen dolgozik.
Főbb megállapítások
- A Voxtral TTS (2026. március) a beszédszintézis-modell nulla mintás hangklónozással
- A Voxtral Mini Transcribe 2 pontos leiratozást kínál beszélőazonosítással és kontextus-biasolással
- A Voxtral Realtime lehetővé teszi a streaming leiratozást, nyílt forráskódként
- A Voxtral Small egy multimodális instrukciós modell, amely érti a hangbemenetet
- A Voxtral család lefedi a teljes láncolatot: szöveg → hang (TTS), hang → szöveg (leiratozás) és hang → megértés (hang-instrukció)