Voxtral w 2026 roku: TTS i transkrypcja w czasie rzeczywistym
Na tej stronie
Zaktualizowano 2 listopada 2026 r. — audio. Modele Voxtral TTS (
voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) oraz ich wersje działające w czasie rzeczywistym zostały wycofane ze wsparcia 31 października 2026 r., a ich usunięcie zaplanowano na 30 kwietnia 2027 r. Ich następcy z rodziny Voxtral 3, udostępnieni 20 października w wersji publicznej preview, a także potok Voice Agents, są omówione w kursie Mistral w 2026 roku (lekcja 11).
Możliwości audio firmy Mistral rozszerzyły się w 2026 roku o dwa nowe elementy konstrukcyjne: syntezę mowy z tekstu (TTS) oraz transkrypcję w czasie rzeczywistym. Traktowane osobno, są to jedynie dwie spośród wielu zapowiedzi technicznych; traktowane razem, uzupełniają łańcuch – od głosu użytkownika do głosu maszyny – który pozwala teraz budować kompletnego agenta głosowego bez wychodzenia z ekosystemu Mistral. Ta lekcja omawia każdy z tych składników, a następnie pokazuje, jak współdziałają.
Voxtral TTS: Nadaj swoim aplikacjom głos
Voxtral TTS (v26.03), ogłoszony 23 marca 2026 r., to model syntezy mowy z tekstu firmy Mistral. Oficjalna dokumentacja podkreśla najwyższą jakość dla agentów głosowych, wsparcie wielojęzyczne, a przede wszystkim zdolność wartą odnotowania: klonowanie głosu w trybie zero-shot. Oznacza to, że model potrafi odtworzyć głos na podstawie krótkiej próbki audio bez konieczności dedykowanego treningu. Tam, gdzie klonowanie głosu wymagało wcześniej godzin nagrań i specyficznej fazy uczenia, teraz wystarcza kilka sekund, aby uzyskać przekonującą imitację.
Ta łatwość użytkowania wymaga natychmiastowego przypomnienia i nie jest to zwykła formalność: klonowanie czyjegoś głosu wymaga jego wyraźnej zgody. W Europie głos stanowi dane osobowe w rozumieniu prawa. Wykorzystywanie go do podszywania się – sprawianie, by ktoś mówił coś, czego nigdy nie powiedział, lub udawanie tej osoby przez telefon – jest nielegalne, kropka. Jeśli chodzi o zastosowania zgodne z prawem, a jest ich wiele solidnych – spójny głos marki we wszystkich kanałach, rozwiązania ułatwiające dostępność, które przywracają głos osobom, które go utraciły – muszą one być regulowane umową: pisemna zgoda, określony zakres użycia, wskazany czas trwania. Jeśli Twój projekt obejmuje klonowanie prawdziwego głosu, zbuduj te ramy prawne przed napisaniem pierwszej linii kodu, a nie po fakcie.
Voxtral Mini Transcribe Realtime: Rozumienie w czasie rzeczywistym
Drugi składnik odpowiada na wyraźnie zidentyfikowaną lukę. Mistral oferował już transkrypcję plików audio za pomocą Voxtral, ale ten tryb wsadowy zakłada, że nagranie jest zakończone przed rozpoczęciem przetwarzania. Tymczasem cała grupa przypadków użycia nie może czekać: napisy na żywo podczas spotkań lub wydarzeń, agent głosowy, który musi rozumieć użytkownika w trakcie mówienia, czy ciągłe, automatyczne sporządzanie notatek.
Właśnie temu służy Voxtral Mini Transcribe Realtime (v26.02), opisany w dokumentacji jako wydajny model wejścia audio, wstępnie wytrenowany i zoptymalizowany do transkrypcji na żywo. Różnica względem trybu wsadowego nie jest kosmetyczna: w czasie rzeczywistym opóźnienie (latencja) staje się głównym ograniczeniem, ponieważ agent głosowy, który potrzebuje trzech sekund na zrozumienie zdania, czyni rozmowę nie do zniesienia. Model specjalnie zoptymalizowany pod kątem ciągłego strumienia danych jest zatem właściwą odpowiedzią architektoniczną, zamiast adaptowania modelu wsadowego.
Pakiet audio Mistral i sposób jego komponowania
Oferta audio składa się obecnie z trzech uzupełniających się komponentów:
| Komponent | Model | Zastosowanie |
|---|---|---|
| Transkrypcja (wsadowa) | Voxtral (STT) | Transkrypcja plików audio |
| Transkrypcja (na żywo) | Voxtral Mini Transcribe Realtime | Strumień w czasie rzeczywistym |
| Synteza | Voxtral TTS | Nadawanie aplikacjom głosu |
W przypadku kompletnego agenta głosowego typowy łańcuch składa się następująco: transkrypcja w czasie rzeczywistym zamienia mowę użytkownika na tekst na bieżąco, model językowy – Small 4 w większości przypadków, Medium 3.5 w najbardziej wymagających – rozumie treść i formułuje odpowiedź, a następnie Voxtral TTS wypowiada ją na głos. Każde ogniwo pochodzi od tego samego dostawcy, co upraszcza zawieranie umów, rozliczenia i zgodność z przepisami – argument mający duże znaczenie w projektach enterprise.
Nasze kursy „Transkrypcja Voxtral“ i „Voxtral TTS“ omawiają fundamenty tych komponentów; niniejsza lekcja umieszcza je w zaktualizowanej ofercie na rok 2026. Jeśli ukończyłeś te kursy, architektura opisana tutaj jest naturalnym połączeniem tego, co już potrafisz robić z każdym komponentem z osobna.
Źródło oficjalne: docs.mistral.ai — Models Overview
Kluczowe wnioski
- Voxtral TTS (v26.03): Synteza najwyższej klasy z klonowaniem głosu w trybie zero-shot
- Klonowanie głosu wymaga wyraźnej zgody osoby – jest to warunek nienegocjowalny
- Voxtral Mini Transcribe Realtime (v26.02) obsługuje transkrypcję na żywo
- Łańcuch agenta głosowego: transkrypcja w czasie rzeczywistym → LLM → TTS, wszystko od jednego dostawcy