Hibrīds vai reāllaiks: izvēles ceļvedis
Šajā lapā
Kurss atjaunināts 2026. gada 3. novembrī priekš Voxtral 3, balstoties uz Mistral ceļvedi Migrate from Voxtral 2: Voxtral 2 modeļi (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), kas deprecated kopš 2026. gada 31. oktobra un tiks izslēgti 2027. gada 30. aprīlī, piemēros aizstāti arvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3unvoxtral-mini-tts-3-0. Galvenās izmaiņas: laika zīmogi ir tikai segmentu līmenī (wordatgriež 400 kļūdu), runātāju atpazīšana (diarization) ir iespējama reāllaikā, reāllaika sesijas iestatījumi tiek fiksēti pēc pirmā audio gabala, uncontext_biasievades ir brīvas formas (atļautas frāzes ar atstarpēm). Avoti: Migrate from Voxtral 2 · Speech to Text.
Divi režīmi, divas filozofijas
Voxtral piedāvā divas transkribēšanas pieejas, kas atšķiras nevis kvalitātē, bet gan būtībā. Izvēle starp tām nav tehniska detaļa, ko pielāgo projekta beigās. Tā nosaka tev pieejamās funkcijas, to, kā raksti kodu, kādas izmaksas rodas un kādu lietotāja pieredzi nodrošini. Šī nodarbība sniedz faktus, lai veiktu šo izvēli, pieturētos pie tās un pat apvienotu abus režīmus, kad tas ir jēdzīgi.
Pilns salīdzinājums
| Kritērijs | Bezsaiste (Batch) | Reāllaiks (Streaming) |
|---|---|---|
| Modelis | Voxtral Mini (vai Small) Transcribe 3 | Voxtral Mini Transcribe Realtime 3 |
| Latence | Sekundes līdz minūtēm (atkarībā no ilguma) | Konfigurējama aizture no 80 ms līdz 1,2 s vai 2,4 s |
| Audio limits | Konteksta logs, koplietots ar context_bias | Nepārtraukta sesija |
| Runātāju atpazīšana | Jā, ar segmentu laika zīmogiem | Jā, bez laika zīmogiem; nav pieejama ar runas beig noteikšanu |
| Konteksta biasēšana | Jā (terminu saraksts, atļautas frāzes) | Jā, sesijas konfigurācijā |
| Laika zīmogi | Pa segmentiem (ne vārdu līmenī) | Nē |
| Runas beig noteikšana | Nē | Jā |
| Audio formāts | Parasti failu formāti | 16-bitu mono PCM (noklusējums 16 kHz) |
| Valodas | 50 | 45 valodas un dialekti |
| Cena (2026. gada 3. novembris) | 0,0035 $/min (Mini), 0,004 $/min (Small) | 0,008 $/min |
| Programmēšana | Sinhrona (vienkārša) | Asinhrona (async/await) |
| Primārais lietojums | Ierakstīti faili | Tiešraides audio |
Rūpīgāks skatiens uz šo tabulu atklāj, kas patiesībā šos divus režīmus šķir. Bezsaiste ir vienīgais režīms, kas laika zīmogus piešķir katram segmentam, jo tas redz visu audio pirms atbildes sniegšanas. Reāllaiks ir vienīgais režīms, kas nosaka runas beigas un atgriež tekstu, kamēr kāds vēl runā. Tu neizvēlies starp pilnu versiju un atvieglotu versiju. Tu izvēlies starp diviem veidiem, kā apkalpot lietotāju: pēc notikuma vai notikuma brīdī.
Kā izvēlēties
Bezsaiste ir skaidra izvēle, kad apstrādā jau esošus audio failus — arhivētas sapulces, apraides, intervijas — jo audio ir pabeigts un nav jēgas to mākslīgi sadalīt. Tā ir tava vienīgā opcija, ja tev jāidentificē runātāji, jo runātāju atpazīšana straumēšanai joprojām nav pieejama. Tā ir pareizā izvēle arī tad, ja tava joma prasa specializētu vārdu krājumu, ko jāvirza konteksta biasēšanai, vai ja precīzi laika zīmogi ir nepieciešami video subtitru pēcapstrādei. Visbeidzot, tas ietaupa tevi no iepriekšējas konvertēšanas, ja avoti nonāk dažādos formātos, un kļūst par acīmredzamu izvēli, ja latence nav kritiska: atliktā apstrāde, nakts partijas, arhivēšanas cauruļvadi.
Reāllaiks kļūst nepieciešams, kad audio pienāk nepārtraukti, no mikrofona vai tīkla plūsmas, kas nozīmē, ka nav faila, ko nosūtīt. Tas ir obligāti, ja rezultātiem jābūt pieejamiem mazāk nekā sekundes laikā, piemēram, balss asistentam, diktēšanas rīkam vai tiešraides subtitriem konferencē vai vebinārā. Divi citi stratēģiski iemesli var noteikt izvēli neatkarīgi no latences: izvietošana uz vietas (on-premise) vai malā (edge), ko ļauj atvērtie svari, un suverenitātes prasības, ja dati nedrīkst pamest tavu infrastruktūru.
Pastāv trešais ceļš, kas bieži vien ir labākais: abu apvienošana. Tu subtitrē konferenci reāllaikā, pēc tam atkārtoti apstrādā ierakstu bezsaistē, lai iegūtu tīrus, ar laika zīmogiem apgādātus subtitrus. Tu rādi tiešraides transkripciju sapulces laikā, pēc tam veic bezsaistes apstrādi ar runātāju atpazīšanu, lai piedēvētu katru teikumu tā autoram. Tu diktē reāllaikā, pēc tam atkārtoti apstrādā failu bezsaistē pārskatīšanai un labojumiem. Reāllaiks kalpo brīdim; bezsaiste kalpo dokumentam.
Cik maksā katrs režīms
Abiem režīmiem nav vienāda cenu struktūra. Kopš 2026. gada aprīļa Mistral AI cenas balstās uz apstrādātā audio ilgumu. Bezsaiste parasti ir lētāka minūtē, jo partiju apstrāde ir optimizēta, savukārt reāllaikam ir piemaksas par noturīgo WebSocket savienojumu un nepārtraukto apstrādi.
Trīs ieradumi samazina izmaksas, neupurējot neko. Bezsaistes režīmā apvieno failus partijās, lai ierobežotu API pieprasījumu skaitu. Reāllaika režīmā slēdz savienojumu uzreiz, kad runa beidzas, nevis atstāj to atvērtu “gadījumam”: aizmirsta sesija patērē resursus, neradot izvadi. Vissvarīgākais: vienmēr jautā, vai tiešraides apstrāde patiešām ir nepieciešama — ja reāllaiks lietotājam nepievieno vērtību, bezsaiste ir gan lētāka, gan funkcijām bagātāka.
Hibrīds cauruļvads: no tiešraides uz ziņojumu
Zemāk esošais kods parāda hibrīda modeli tā visizplatītākajā formā: sapulce. Sesijas laikā reāllaika plūsma baro displeju: dalībnieki redz ritināmu tekstu, neviens negaida. Kad sapulce beidzas, tas pats audio, kas tagad pieejams kā pabeigts fails, tiek atkārtoti apstrādāts bezsaistē ar diarize=True un segmentu līmeņa laika zīmogiem, radot ziņojumu, kas piedēvē katru teikumu tā runātājam. Abi izsaukumi nesacenšas; tie viens otru papildina. Pirmais kalpo acumirklīgumam; otrais — izsekojamībai.
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. Reāllaika transkripcija tūlītējai attēlošanai
2. Bezsaistes transkripcija gala ziņojumam ar runātāju atpazīšanu
"""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# 1. posms: Reāllaiks (sapulces laikā)
print("=== TIEŠRAIDES TRANSKRIPCIJA ===\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. posms: Bezsaiste (pēc sapulces)
print("\n\n=== DETALIZĒTA ANALĪZE ===\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
Ņem vērā praktisko ierobežojumu, ko šis modelis uzliek: tev audio ir jāieraksta paralēli straumēšanai, jo gabaliņus, ko patērē reāllaika plūsma, nesaglabā. Ieplāno šo diska ierakstu jau no sākuma, pretējā gadījumā bezsaistes posmam nebūs ko apstrādāt.
Galvenās atziņas
- Bezsaiste izceļas ar ierakstītiem failiem, nodrošinot runātāju atpazīšanu un laika zīmogus
- Reāllaiks izceļas ar tiešraides audio un ultra-zemu latenci
- Abus režīmus var apvienot hibrīdā cauruļvadā
- Bezsaiste ir funkcijām bagātāka (runātāju atpazīšana, konteksta biasēšana, laika zīmogi)
- Reāllaiks ir elastīgāks izvietošanai (atvērtie svari, mala)
- Izvēlies, balstoties uz audio avotu (fails vai tiešraide) un nepieciešamajām funkcijām