Przejdź do głównej treści
Polski— Wybierz język
Menu

Wprowadzenie do możliwości audio modelu Mistral

Lekcja 5 z 14 Zaktualizowano 2 listopada 2026 Początkujący
Na tej stronie
  1. Kiedy AI uczy się słuchać i mówić
  2. Rodzina Voxtral
  3. Mowa na tekst: Od głosu do zapisu
  4. Tekst na mowę: Od zapisu do głosu
  5. Do czego służy audio w Vibe?
  6. Kluczowe wnioski

Aktualizacja z 2 listopada 2026 r. — Le Chat to teraz Vibe. Od 28 maja 2026 r. usługa Le Chat zmieniła nazwę na Vibe (nadal dostępna pod adresem chat.mistral.ai): to pojedynczy agent do pracy i programowania, który zachowuje Twoje konwersacje, ustawienia i subskrypcje. Legacyjne doświadczenie Le Chat pozostaje dostępne w trybie Chat; w trybie Work agenci stali się umiejętnościami (wywoływanymi za pomocą @), pamięci przekształcono w bazę wiedzy, a zaawansowane badania to teraz umiejętność Deep Research. Plany noszą obecnie nazwy Mistral Free, Pro, Team i Enterprise. W tej lekcji używamy nazwy Vibe; pamiętaj, że niektóre opisane tu menu mogły zmienić nazwy lub lokalizację.

Kiedy AI uczy się słuchać i mówić

Po wizji komputerowej, audio stanowi drugą wielką rewolucję multimodalną firmy Mistral AI. Dzięki rodzinie modeli Voxtral, Vibe nie tylko czyta i pisze tekst – potrafi teraz transkrybować mowę, uczestniczyć w rozmowach głosowych oraz generować mowę z tekstu. Krótko mówiąc, pętla została zamknięta: AI Cię słyszy, rozumie i odpowiada Ci na głos. Ta lekcja wprowadza Cię we wszystkie te możliwości, zanim kolejne zajęcia szczegółowo omówią je po kolei.

Rodzina Voxtral

Mistral opracował kompleksowy zestaw modeli audio pod marką Voxtral, z których każdy pełni określoną rolę w procesie przetwarzania dźwięku. Voxtral Mini Transcribe to model do transkrypcji wsadowej (mowa na tekst): przesyłasz mu plik audio, a on zwraca tekst pisany z niezwykłą dokładnością – to ten model pracuje, gdy przesyłasz nagranie ze spotkania. Voxtral Realtime to jego odpowiednik działający w czasie rzeczywistym: zaprojektowany do rozmów głosowych, transkrybuje mowę w miarę jej wypowiadania z ultra-niskim opóźnieniem, konfigurowalnym poniżej 200 milisekund – to właśnie umożliwia płynny tryb głosowy w Vibe. Wreszcie, Voxtral TTS działa w odwrotnym kierunku: synteza mowy (tekst na mowę) przekształca tekst w naturalny głos, oferując możliwość sklonowania głosu na podstawie zaledwie kilku sekund nagrania.

FunkcjaModelJęzykiOpóźnienie
Transkrypcja (STT wsadowe)Voxtral Mini Transcribe V213 językówKilka sekund na plik
Transkrypcja w czasie rzeczywistym (STT)Voxtral Realtime13 językówPoniżej 200 ms
Tekst na mowę (TTS)Voxtral TTS9+ języków~90 ms (model)

Mowa na tekst: Od głosu do zapisu

Transkrypcja audio to umiejętność konwersji nagrania głosowego na tekst pisany, a Voxtral Mini Transcribe wyróżnia się na kilku płaszczyznach. Po pierwsze, dokładność: wskaźnik błędów wyrazowych pozostaje niski, nawet przy nagraniach średniej jakości – takich, jakie rejestruje telefon leżący na środku stołu konferencyjnego. Model wykonuje również diaryzację, co oznacza, że automatycznie identyfikuje różnych rozmówców w konwersacji: transkrypcja rozróżnia „Mówcę 1“ i „Mówcę 2“, co całkowicie zmienia podejście do sporządzania notatek ze spotkań. Jego odporność na szumy pozwala utrzymać wysoką dokładność w trudnych warunkach – w kawiarniach, na ulicach, podczas spotkań z wieloma osobami mówiącymi jednocześnie. Co więcej, obsługuje długie nagrania, aż do 3 godzin audio w jednym żądaniu, co wystarcza do pokrycia całej konferencji.

Jeśli chodzi o języki, obsługiwanych jest 13: angielski, francuski, hiszpański, niemiecki, włoski, portugalski, niderlandzki, chiński, hindi, arabski, rosyjski, japoński i koreański. W przypadku typowych zastosowań europejskich jesteś dobrze zabezpieczony.

Tekst na mowę: Od zapisu do głosu

Synteza mowy działa w odwrotnym kierunku: dostarczasz tekst, a Voxtral TTS odczytuje go na głos naturalnym brzmieniem. Jego najbardziej spektakularną funkcją jest klonowanie głosu: na podstawie zaledwie 2–3 sekund nagrania Twojego głosu, model potrafi wygenerować mowę brzmiącą jak Ty. To klonowanie opiera się na zasadzie głosu jako instrukcji: model odwzorowuje intonację, rytm i emocje z próbki głosu referencyjnego, nie wymagając annotowania tekstu znacznikami prozodii – sama próbka stanowi instrukcję.

Model jest wielojęzyczny – obsługuje angielski, francuski, hiszpański, portugalski, włoski, niderlandzki, niemiecki, hindi i arabski – a nawet potrafi mieszać języki w obrębie jednego fragmentu. Działa również w trybie strumieniowym: generowanie głosu rozpoczyna się po około 90 milisekundach, co umożliwia interakcje niemal natychmiastowe, eliminując oczekiwanie między Twoim pytaniem a odpowiedzią spoken.

Do czego służy audio w Vibe?

Konkretnie, jako użytkownik Vibe, możliwości te przekładają się na cztery codzienne działania. Możesz transkrybować spotkanie: przesyłasz nagranie i w kilka sekund otrzymujesz tekstowe podsumowanie. Możesz rozmawiać głosowo, aktywując tryb głosowy, prowadząc naturalną konwersację bez użycia klawiatury. Możesz słuchać odpowiedzi, prosząc Vibe o odczytanie tekstu na głos – przydatne podczas spaceru czy gotowania. Możesz też dyktować swoje wiadomości, mówiąc zamiast pisać.

W kolejnych lekcjach szczegółowo omówimy każde z tych zastosowań krok po kroku: najpierw transkrypcję plików, następnie tryb głosowy w czasie rzeczywistym, a na końcu syntezę mowy.

Kluczowe wnioski

  • Voxtral to rodzina modeli audio firmy Mistral, obejmująca transkrypcję, przetwarzanie w czasie rzeczywistym oraz syntezę mowy
  • Transkrypcja obsługuje 13 języków, diaryzację i nagrania trwające do 3 godzin
  • Synteza mowy potrafi sklonować głos w kilka sekund i mówić w ponad 9 językach
  • W Vibe wszystko jest zintegrowane: możesz transkrybować, mówić i słuchać bez zewnętrznych narzędzi