Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Voxtral — Mistral garso modeliai

Paskaita 5 iš 14 Atnaujinta 2026 m. liepos 28 d. Pradedantisiems
Šiame puslapyje
  1. Garso įrašai – nauja DI sritis
  2. Voxtral TTS – kitos kartos kalbos sintezė
  3. Voxtral Mini Transcribe 2 – garso įrašų transkripcija
  4. Voxtral Mini Transcribe Realtime – apdorojimas realiuoju laiku
  5. Voxtral Small – garso įvestis
  6. Svarbiausi punktai

Garso įrašai – nauja DI sritis

Dirbtinis intelektas jau neapsiriboja tekstu. Kalbos supratimas ir generavimas tapo konkrečiu iššūkiu daugeliui taikomųjų programų: balso pagalbininkams, susirinkimų transkripcijai, įgarsinimui, prieinamumui. „Mistral“ sukūrė „Voxtral“ šeimą, apimančią visą šią grandinę. Keturi modeliai, kuriuos nagrinėsime, nėra tarpusavyje keičiami: kiekvienas užima specifinę vietą grandinėje, o jų vaidmenų painiojimas yra dažniausia klaida kuriant programinę įrangą.

Voxtral TTS – kitos kartos kalbos sintezė

2026 m. kovo mėn. pristatytas „Voxtral TTS“ yra teksto pavertimo kalba (text-to-speech) modelis. Tai vienas iš ryškiausių šių metų leidimų, visų pirma dėl vienos galimybės: nulinio mokymo (zero-shot) balso klonavimo.

Principas paprastas, tačiau jo pasekmės didelės. Pateikiate trumpą balso garso įrašo pavyzdį (pakanka kelių sekundžių), o modelis sugeneruoja bet kokį tekstą tuo pačiu balsu be papildomo mokymo. Šaltinio balso tembras, ritmas ir savybės užfiksuojami vienu kartu: nereikia finansuoti duomenų rinkimo ar mokymo sesijų tarp momento, kai išgirstate balsą, ir galimybės jį naudoti.

Iškart išryškėja keturios taikymo sritys. Įgarsinimas ir lokalizacija leidžia versti garso turinį išlaikant originalų balsą, taip užtikrinant prekės ženklo ar kalbėtojo tapatybę skirtingomis kalbomis. Prieinamumo srityje naudinga turėti sąsajas su natūraliu, asmenizuotu balsu, o ne beasmeniu sintezuotu garsu. Švietimo turinys gali būti nuosekliai pasakojamas nuo vieno modulio iki kito, neperirašant iš naujo. O balso pagalbininkai pagaliau gali įgyti išskirtinį skambesį.

Techniškai modelis yra daugiakalbis ir palaiko prancūzų kalbą. Jis veikia realiuoju laiku srautiniu režimu: balsas generuojamas iškart, nelaukiant, kol bus pateiktas visas tekstas, todėl užtikrinamas sklandus pokalbis. Išvestis labai artima žmogaus kalbai, valdoma intonacija ir emocijos. Modelis priklauso „Open“ lygiui, jo svoriai paskelbti „Hugging Face“.

Ši galia reikalauja disciplinos. „Mistral“ rekomenduoja sistemingai gauti asmens, kurio balsas klonuojamas, sutikimą, niekada nenaudoti šios technologijos tapatybei apsimetinėti ir aiškiai identifikuoti DI sugeneruotą turinį. Šios trys taisyklės nėra teorinės atsargumo priemonės: įgarsinimo projektas, jų nepaisantis, rizikuoja tiek klientu, tiek asmeniu, kurio balsas buvo panaudotas kaip modelis.

Voxtral Mini Transcribe 2 – garso įrašų transkripcija

2026 m. vasario mėn. išleistas „Voxtral Mini Transcribe 2“ veikia priešinga kryptimi: tai „Mistral“ garso transkripcijos modelis, kitaip tariant, kalbos pavertimo tekstu (speech-to-text) įrankis, kuris kalbą į tekstą konvertuoja dideliu tikslumu. Jis priklauso „Premier“ lygiui, todėl pasiekiamas tik per API.

Keturi gebėjimai išskiria jį iš paprasto transkriberio. Transkripcija yra daugiakalbė su automatiniu kalbos nustatymu, todėl nereikia iš anksto konfigūruoti kiekvieno failo. Kalbėtojų atskyrimas (diarization) identifikuoja skirtingus pokalbio dalyvius – be jo susirinkimo ataskaita su šešiais dalyviais liktų nenaudojamo teksto bloku. Konteksto šališkumo valdymas leidžia modeliui pateikti specializuotą žodyną, tikrinius vardus ar techninius terminus, kad jis nebeiškraipytų jūsų sričiai svarbių nuorodų. Laiko žymos, galiausiai, žodis po žodžio suderina transkripciją su garso takeliu.

Šios savybės nubrėžia naudojimo atvejus: susirinkimų ataskaitos su dalyvių identifikavimu, sinchronizuotas subtitravimas, klientų aptarnavimo skambučių analizė ir kalbamo turinio indeksavimas, kad anksčiau nepaieškomas įrašų archyvas taptų paieškos objektu.

Voxtral Mini Transcribe Realtime – apdorojimas realiuoju laiku

Kai delsos sumažinimas svarbesnis už tikslumo niuansus, „Voxtral Mini Transcribe Realtime“ transkribuoja nuolatiniu srautu: tekstas atsiranda kalbant žmogui, nelaukiant sakinio pabaigos. Šis modelis priklauso „Open“ lygiui, o tai leidžia jį talpinti vietiniuose serveriuose – tai lemiamas argumentas jautrioms programoms, kai garso įrašai negali išeiti iš jūsų infrastruktūros ribų.

FunkcijaTranscribe 2Transcribe Realtime
DelsaGrupinis (po apdorojimo)Realiuoju laiku (srautinis)
TikslumasDidesnisŠiek tiek mažesnis
Kalbėtojų atskyrimasTaipRibotas
LygisPremierOpen
Tipinis naudojimasFailų transkripcijaTiesioginis subtitravimas

Šią lentelę skaitykite kaip kompromisą, o ne kaip reitingą: „Realtime“ renkatės ne todėl, kad jis geresnis, o todėl, kad tiesioginis subtitravimas netoleruoja jokio vėlesnio apdorojimo.

Voxtral Small – garso įvestis

2025 m. liepos mėn. paskelbtas „Voxtral Small“ atlieka kitokį vaidmenį nei ankstesnieji. Jis priima garso įrašus kaip įvestį instrukcijų vykdymo užduotims: siunčiate jam failą ir prašote jį apibendrinti, atsakyti į klausimus apie jo turinį arba jį išanalizuoti. Tai nėra transkriberis, kurį grandinėje jungtumėte su teksto modeliu, o daugiamodis instrukcijų garso modelis, dirbantis tiesiogiai su garso signalu.

Svarbiausi punktai

  • Voxtral TTS (2026 m. kovas) – kalbos sintezės modelis su nulinio mokymo balso klonavimu
  • Voxtral Mini Transcribe 2 – tiksli transkripcija su kalbėtojų atskyrimu ir konteksto šališkumo valdymu
  • Voxtral Realtime – srautinė transkripcija, atviro kodo
  • Voxtral Small – daugiamodis instrukcijų modelis, suprantantis garso įvestį
  • „Voxtral“ šeima apima visą grandinę: tekstas → balsas (TTS), balsas → tekstas (transkripcija) ir balsas → supratimas (garso instrukcijos)