Bevezetés a Mistral hangképességeibe
Ezen az oldalon
Frissítés: 2026. november 2. – A Le Chat mostantól Vibe. 2026. május 28. óta a Le Chat új neve Vibe (továbbra is a chat.mistral.ai címen érhető el): egyetlen ügynök munkához és kódoláshoz, amely megőrzi beszélgetéseidet, beállításaidat és előfizetéseidet. A régi Le Chat élmény továbbra is elérhető a Chat módban; a Work módban az ügynökök készségekké (skill) váltak (a
@jellel hívhatók meg), az emlékek most a tudásbázist képezik, a mélyreható kutatás pedig a Deep Research készség. A csomagok neve mostantól Mistral Free, Pro, Team és Enterprise. Ez a lecke a Vibe nevet használja; vedd figyelembe, hogy az itt leírt egyes menük neve vagy elhelyezkedése megváltozhatott.
Amikor az AI megtanul hallgatni és beszélni
A látás után a hangképesség jelenti a Mistral AI második nagy multimodális forradalmát. A Voxtral modellcsaláddal a Vibe már nemcsak olvas és ír szöveget – képes beszéd átírására, hangalapú beszélgetésekben való részvételre és szövegből hang előállítására is. Röviden: teljes a kör; az AI meghallgat, megért és hangosan válaszol neked. Ez a lecke bemutatja ezeket a képességeket, mielőtt a következő leckék részletesen tárgyalnák őket egyenként.
A Voxtral család
A Mistral átfogó hangmodellek készletét fejlesztette ki a Voxtral márkanév alatt, ahol minden modell egy adott szerepet tölt be a hangfeldolgozási folyamatban. A Voxtral Mini Transcribe a kötegelt átírási modell (Beszéd-szöveg): hangfájlt adsz neki, ő pedig rendkívüli pontossággal visszaadja az írott szöveget – ez a modell dolgozik, amikor feltöltesz egy megbeszélés felvételét. A Voxtral Realtime ennek valós idejű megfelelője: hangalapú beszélgetésekhez tervezték, ultra-alacsony késleltetéssel, 200 milliszekundum alatt konfigurálhatóan írja át a beszédet menet közben – ez teszi lehetővé a Vibe gördülékeny hangmódját. Végül a Voxtral TTS az ellenkező irányba működik: a szöveg-beszéd szintézis természetes hanggá alakítja a szöveget, képes hangot klónozni mindössze néhány másodpercnyi felvétel alapján.
| Funkció | Modell | Nyelvek | Késleltetés |
|---|---|---|---|
| Átírás (STT kötegelt) | Voxtral Mini Transcribe V2 | 13 nyelv | Néhány másodperc fájlonként |
| Valós idejű átírás (STT) | Voxtral Realtime | 13 nyelv | 200 ms alatt |
| Szöveg-beszéd (TTS) | Voxtral TTS | 9+ nyelv | ~90 ms (modell) |
Beszéd-szöveg: Hangtól a szövegig
A hangátírás azt a képességet jelenti, amikor egy hangfelvételt írott szöveggé alakítunk, és a Voxtral Mini Transcribe több fronton is kiemelkedik. Először is a pontosság: a szóhibaarány alacsony marad még közepes minőségű felvételeknél is – olyan fájloknál, amelyeket egy konferenciaasztal közepén lévő telefon rögzített. Emellett hangszóró-megkülönböztetést (diarization) is végez, ami azt jelenti, hogy automatikusan azonosítja a beszélgetés különböző résztvevőit: az átírás megkülönbözteti az „1. beszélőt“ és a „2. beszélőt“, ami mindent megváltoztat a jegyzőkönyvek készítésekor. Zajállósága lehetővé teszi, hogy nehéz környezetben – kávézókban, utcán, több hangot tartalmazó megbeszéléseken – is jó pontosságot tartson fenn. Végül kezeli a hosszú felvételeket is, egyetlen kérésben akár 3 óra hanganyagot is feldolgoz, ami elég egy teljes konferencia lefedéséhez.
Nyelvi szempontból 13 nyelvet támogat: angol, francia, spanyol, német, olasz, portugál, holland, kínai, hindi, arab, orosz, japán és koreai. A gyakori európai használati esetek esetén jól vagy fedezve.
Szöveg-beszéd: Szövegtől a hangig
A szöveg-beszéd fordított irányban működik: szöveget adsz meg, a Voxtral TTS pedig természetes hangon felolvassa azt. Leglátványosabb funkciója a hangklónozás: mindössze 2–3 másodpercnyi hangfelvételed alapján a modell olyan beszédet generál, amely úgy szól, mint te. Ez a klónozás a hang-mint-instrukció elven alapul: a modell reprodukálja a referencia-hangminta hanglejtését, ritmusát és érzelmi töltetét anélkül, hogy a szöveget prozódiai címkékkel kellene annotálni – maga a minta szolgál instrukcióként.
A modell többnyelvű – angol, francia, spanyol, portugál, olasz, holland, német, hindi, arab –, és akár nyelveket is keverhet egyetlen szakaszon belül. Végül streaming módban működik: a hanggenerálás körülbelül 90 milliszekundum alatt elindul, lehetővé téve a szinte azonnali interakciókat ahelyett, hogy várnod kellene a kérdésed és a hangos válasz között.
Mire használják a hangot a Vibében?
Konkrétan, Vibe-felhasználóként ezek a képességek négy mindennapi műveletet jelentenek. Átírhatsz egy megbeszélést: töltsd fel a felvételt, és másodperceken belül megkapod a szöveges összefoglalót. Beszélhetsz hanggal a hangmód aktiválásával, így billentyűzet nélküli, természetes beszélgetést folytathatsz. Meghallgathatod a válaszokat, ha megkéred a Vibét, hogy olvassa fel a szövegét – ez sétálás vagy főzés közben nagyon hasznos. És diktálhatod is az üzeneteidet, gépelés helyett beszélve.
A következő leckékben lépésről lépésre részletezzük ezeket a felhasználási módokat: először a fájlok átírását, majd a valós idejű hangmódot, végül pedig a szöveg-beszéd szintézist.
Főbb megállapítások
- A Voxtral a Mistral hangmodell-családja, amely lefedi az átírást, a valós idejű feldolgozást és a szöveg-beszéd funkciót
- Az átírás 13 nyelvet támogat, képes hangszóró-megkülönböztetésre, és akár 3 óra hanganyagot is kezel
- A szöveg-beszéd másodpercek alatt klónoz hangot, és 9+ nyelven beszél
- A Vibében minden integrálva van: átírhatsz, beszélhetsz és hallgathatsz külső eszközök nélkül