Offline vs. valós idejű: választási útmutató
Ezen az oldalon
A tanfolyam frissítve: 2026. november 3., Voxtral 3 verzió, a Mistral Migrate from Voxtral 2 útmutatója alapján: a 2026. október 31-én elavult és 2027. április 30-án végleg kivont Voxtral 2 modelleket (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603) a példákban avoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3ésvoxtral-mini-tts-3-0modellek váltják fel. Főbb változások: az időbélyegek csak szegmensszinten érhetők el (awordparaméter 400-as hibát eredményez), a valós idejű mód támogatja a beszélőazonosítást (diarization), a valós idejű munkamenet beállításai az első hangcsomag után rögzülnek, acontext_biasbemenetek pedig szabad formátumúak (szóközöket tartalmazó kifejezések is megengedettek). Források: Migrate from Voxtral 2 · Speech to Text.
Két mód, két filozófia
A Voxtral két átírási megközelítést kínál, amelyek nem a minőségben, hanem a természetükben térnek el egymástól. A választás közöttük nem olyan implementációs részlet, amit a projekt végén finomhangolsz. Ez határozza meg a rendelkezésedre álló funkciókat, a kódolás módját, a felmerülő költségeket és a felhasználói élményt, amit nyújtasz. Ez a lecke tényeket ad a kezedbe a döntéshez, hogy kitarts mellette, és akár kombináld is mindkét módot, amikor az értelmes.
Teljes összehasonlítás
| Szempont | Offline (kötegelt) | Valós idejű (streaming) |
|---|---|---|
| Modell | Voxtral Mini (vagy Small) Transcribe 3 | Voxtral Mini Transcribe Realtime 3 |
| Késleltetés | Másodpercek percektől (időtartamtól függően) | Konfigurálható késés 80 ms-tól 1,2 s-ig, vagy 2,4 s |
| Hangkorlát | Kontextusablak, megosztva a context_bias paraméterrel | Folyamatos munkamenet |
| Beszélőazonosítás (Diarization) | Igen, szegmens időbélyegekkel | Igen, időbélyegek nélkül; fordulatszám-alapú érzékeléssel nem elérhető |
| Kontextus-biaszolás | Igen (kifejezéslista, engedélyezett frazísok) | Igen, a munkamenet konfigurációjában |
| Időbélyegek | Szegmensenként (nincs szavankénti) | Nincs |
| Fordulatvégi érzékelés (Turn-end) | Nem | Igen |
| Hangformátum | Gyakori fájlformátumok | 16 bites mono PCM (alapértelmezett 16 kHz) |
| Nyelvek | 50 | 45 nyelv és nyelvjárás |
| Ár (2026. november 3-i állapot szerint) | 0,0035 USD/perc (Mini), 0,004 USD/perc (Small) | 0,008 USD/perc |
| Programozás | Szinkron (egyszerű) | Aszinkron (async/await) |
| Elsődleges használati eset | Rögzített fájlok | Élő hang |
A táblázat alapos vizsgálata rávilágít arra, ami igazán elválasztja a két módot. Az offline az egyetlen mód, amely minden szegmenst időbélyeggel lát el, mert a válaszadás előtt látja a teljes hanganyagot. A valós idejű az egyetlen mód, amely érzékeli a beszédfordulatok végét, és még beszéd közben visszaadja a szöveget. Nem egy teljes és egy „lite“ verzió között választasz. Két különböző módon szolgálod ki a felhasználót: utólag vagy a pillanatban.
Hogyan válassz?
Az offline a nyilvánvaló választás, amikor már létező hangfájlokat dolgozol fel – archivált megbeszélések, podcastok, interjúk –, mivel a hanganyag teljes, és nincs értelme mesterségesen darabokra vágni. Ez az egyetlen lehetőséged, ha azonosítanod kell a beszélőket, hiszen a streaming esetén a beszélőazonosítás (diarization) nem elérhető. Ez a helyes választás akkor is, ha a szakterületed speciális szókincset igényel, amit a kontextus-biaszolásnak kell irányítania, vagy ha pontos időbélyegekre van szükséged utólagos videófeliratozáshoz. Végül megspórolod a kezdeti konverziót, ha a forrásaid különféle formátumokban érkeznek, és ez lesz a kézenfekvő választás, amikor a késleltetés nem kritikus: késleltetett feldolgozás, éjszakai kötegek, archiválási folyamatok.
A valós idejű mód akkor válik szükségessé, amikor a hang folyamatosan érkezik, például mikrofonból vagy hálózati streamből, ami azt jelenti, hogy nincs elküldhető fájl. Kötelező, amikor az eredményeknek egy másodpercen belül rendelkezésre kell állniuk, mint például hangasszisztensek, diktálóeszközök vagy konferenciák és webináriumok élő feliratozása esetén. Két további stratégiai ok is indokolhatja a választást a késleltetéstől függetlenül: a helyi (on-premise) vagy peremhálózati (edge) telepítés, amit a nyílt súlyok tesznek lehetővé, valamint a szuverenitási követelmények, amikor az adatoknak nem szabad elhagyniuk az infrastruktúrádat.
Létezik egy harmadik út is, ami gyakran a legjobb: a kettő kombinálása. Élőben feliratozol egy konferenciát, majd utólag offline újra feldolgozod a felvételt, hogy tiszta, időbélyeggel ellátott feliratot készíts. Megjeleníted az élő átírást egy megbeszélés során, majd futtatsz egy offline lépést beszélőazonosítással, hogy minden megszólalást a megfelelő speakerhez rendelj. Valós időben diktálsz, majd utólag offline feldolgozod a fájlt átnézésre és javításra. A valós idejű mód a pillanatot szolgálja; az offline a dokumentumot.
Mennyibe kerül az egyes módok használata?
A két mód árazási struktúrája nem azonos. 2026 áprilisa óta a Mistral AI árazása a feldolgozott hanganyag időtartamán alapul. Az offline általában olcsóbb percenként, mert a kötegelt feldolgozás optimalizált, míg a valós idejű mód felárat tartalmaz a tartós WebSocket-kapcsolatért és a folyamatos feldolgozásért.
Három szokás segít csökkenteni a költségeket anélkül, hogy bármit is feláldoznál. Offline módban kötegeld a fájlokat az API-kérések számának korlátozására. Valós idejű módban zárd le a kapcsolatot, amint a beszéd véget ér, ahelyett, hogy „biztonsági okokból“ nyitva hagynád: egy elfelejtett munkamenet erőforrást fogyaszt anélkül, hogy kimenetet termelne. Ami a legfontosabb: mindig tedd fel a kérdést, hogy valóban szükséges-e az élő feldolgozás – ha a valós idejű mód nem ad plusz értéket a felhasználónak, az offline olcsóbb és funkciókban gazdagabb is.
Hibrid folyamat: az élőtől a jelentésig
Az alábbi kód a hibrid mintát mutatja be annak leggyakoribb formájában: egy megbeszélés során. A munkamenet alatt a valós idejű stream táplálja a kijelzőt: a résztvevők látják a görgetett szöveget, senkinek sem kell várnia. Miután a megbeszélés véget ért, ugyanazt a hanganyagot, amely most már teljes fájlként elérhető, offline újra feldolgozzuk a diarize=True paraméterrel és szegmensszintű időbélyegekkel, így létrehozva egy jelentést, amely minden megszólalást a megfelelő beszélőhöz rendel. A két hívás nem versenyez egymással; kiegészítik egymást. Az első az azonnaliságot szolgálja; a második a nyomon követhetőséget.
import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
AudioFormat,
TranscriptionStreamTextDelta,
TranscriptionStreamDone
)
async def hybrid_pipeline(realtime_audio_source, complete_file_path):
"""
1. Valós idejű átírás az azonnali megjelenítéshez
2. Offline átírás a végső jelentéshez beszélőazonosítással
"""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# 1. fázis: Valós idejű (a megbeszélés alatt)
print("=== ÉLŐ ÁTÍRÁS ===\n")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=realtime_audio_source,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
target_streaming_delay_ms=800,
):
if isinstance(event, TranscriptionStreamTextDelta):
print(event.text, end="", flush=True)
elif isinstance(event, TranscriptionStreamDone):
break
# 2. fázis: Offline (a megbeszélés után)
print("\n\n=== RÉSZLETES ELEMZÉS ===\n")
with open(complete_file_path, "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": complete_file_path},
diarize=True,
timestamp_granularities=["segment"]
)
for seg in response.segments:
print(f"[{seg.speaker_id}] ({seg.start:.1f}s) {seg.text}")
return response
Vedd figyelembe azt a gyakorlati korlátot, amit ez a minta imposed: a hangot párhuzamosan kell rögzítened a streaminggel, mivel a valós idejű stream által fogyasztott csomagok nem maradnak meg. Tervezd meg ezt a lemezre írást már az elején, különben az offline fázisnak nem lesz mit feldolgoznia.
Főbb megállapítások
- Az offline kiváló rögzített fájlokhoz beszélőazonosítással és időbélyegekkel
- A valós idejű kiváló élő hanghoz ultra-alacsony késleltetéssel
- Mindkét mód kombinálható hibrid folyamatban
- Az offline funkciókban gazdagabb (beszélőazonosítás, kontextus-biaszolás, időbélyegek)
- A valós idejű rugalmasabb telepítés szempontjából (nyílt súlyok, peremhálózat)
- Válassz a hangforrás (fájl vs. élő) és a szükséges funkciók alapján