Salt la conținutul principal
Română— Alege o limbă
Meniu

Introducere în capacitățile audio ale Mistral

Lecția 5 din 14 Actualizată 2 noiembrie 2026 Începător
Pe această pagină
  1. Când AI învață să asculte și să vorbească
  2. Familia Voxtral
  3. Speech-to-Text: De la voce la text
  4. Text-to-Speech: De la text la voce
  5. La ce folosește audio în Vibe?
  6. Puncte cheie

Actualizare 2 noiembrie 2026 — Le Chat devine Vibe. Începând cu 28 mai 2026, Le Chat a fost rebotezat Vibe (rămâne accesibil la chat.mistral.ai): un singur agent pentru muncă și cod, care preia conversațiile, setările și abonamentele dumneavoastră. Experiența legacy Le Chat rămâne accesibilă în modul Chat; în modul Work, agenții au devenit competențe (invocate cu @), memoriile sunt acum baza de cunoștințe, iar cercetarea aprofundată este competența Deep Research. Planurile se numesc acum Mistral Free, Pro, Team și Enterprise. Această lecție folosește denumirea Vibe; rețineți că unele meniuri descrise aici își pot fi schimbat numele sau locația.

Când AI învață să asculte și să vorbească

După viziune, audio reprezintă a doua revoluție multimodală majoră a Mistral AI. Odată cu familia de modele Voxtral, Vibe nu se mai limitează la citirea și scrierea textului—poate acum transcrie vorbirea, participa la conversații vocale și genera vorbire din text. Pe scurt, bucla este completă: AI vă ascultă, vă înțelege și vă răspunde cu voce tare. Această lecție prezintă toate aceste capacități înainte ca lecțiile următoare să le detalieze pe rând.

Familia Voxtral

Mistral a dezvoltat o suită completă de modele audio sub marca Voxtral, fiecare având un rol specific în fluxul de lucru audio. Voxtral Mini Transcribe este modelul de transcriere în lot (Speech-to-Text): îi furnizați un fișier audio, iar acesta returnează text scris cu o acuratețe remarcabilă—acesta este modelul activ atunci când încărcați o înregistrare a unei ședințe. Voxtral Realtime este omologul său în timp real: conceput pentru conversații vocale, transcrie vorbirea pe măsură ce aceasta are loc, cu o latență ultra-mică, configurabilă sub 200 de milisecunde—aceasta este tehnologia care face posibil modul vocal fluid al Vibe. În final, Voxtral TTS merge în direcția opusă: sinteza text-to-speech transformă textul într-o voce naturală, având capacitatea de a clona o voce doar din câteva secunde de înregistrare.

FuncționalitateModelLimbiLatență
Transcriere (STT în lot)Voxtral Mini Transcribe V213 limbiCâteva secunde per fișier
Transcriere în timp real (STT)Voxtral Realtime13 limbiSub 200 ms
Text-to-Speech (TTS)Voxtral TTS9+ limbi~90 ms (model)

Speech-to-Text: De la voce la text

Transcrierea audio este capacitatea de a converti o înregistrare vocală în text scris, iar Voxtral Mini Transcribe se distinge pe mai multe planuri. În primul rând, acuratețea sa: rata de eroare a cuvintelor rămâne scăzută, chiar și pentru înregistrări de calitate medie—tipul de fișier captat de un telefon aflat în mijlocul unei mese de conferință. De asemenea, realizează diarizare, ceea ce înseamnă că identifică automat diferiții vorbitori dintr-o conversație: transcrierea distinge „Vorbitorul 1“ și „Vorbitorul 2“, lucru care schimbă totul pentru procesele-verbale ale ședințelor. Robustețea sa la zgomot îi permite să mențină o acuratețe bună în medii dificile—cafenele, străzi, ședințe cu mai multe voci. În final, gestionează înregistrări lungi, până la 3 ore de audio într-o singură cerere, suficient pentru a acoperi o conferință întreagă.

În ceea ce privește limbile, sunt suportate 13: engleză, franceză, spaniolă, germană, italiană, portugheză, olandeză, chineză, hindi, arabă, rusă, japoneză și coreeană. Pentru cazurile de utilizare europene comune, sunteți bine acoperit.

Text-to-Speech: De la text la voce

Text-to-speech funcționează în direcția opusă: furnizați text, iar Voxtral TTS îl citește cu voce tare, folosind o voce naturală. Cea mai spectaculoasă funcționalitate a sa este clonarea vocii: din doar 2 până la 3 secunde de înregistrare a vocii dumneavoastră, modelul poate genera vorbire care sună exact ca dumneavoastră. Această clonare se bazează pe principiul voce-ca-instrucțiune: modelul reproduce intonația, ritmul și emoția eșantionului de voce de referință fără a fi nevoie să anotați textul cu tag-uri de prozodie—eșantionul în sine servește drept instrucțiune.

Modelul este multilingv—engleză, franceză, spaniolă, portugheză, italiană, olandeză, germană, hindi, arabă—și poate chiar amesteca limbile într-un singur pasaj. În final, funcționează în mod streaming: generarea vocii începe în aproximativ 90 de milisecunde, permițând interacțiuni aproape instantanee, în loc să așteptați între întrebarea dumneavoastră și răspunsul vocal.

La ce folosește audio în Vibe?

Concret, ca utilizator Vibe, aceste capacități se traduc în patru acțiuni cotidiene. Puteți transcrie o ședință: încărcați înregistrarea și obțineți un rezumat text în câteva secunde. Puteți vorbi prin voce activând modul vocal, pentru o conversație naturală fără tastatură. Puteți asculta răspunsurile cerând lui Vibe să citească textul cu voce tare—util când mergeți pe jos sau gătiți. Și puteți dicta mesajele, vorbind în loc să tastați.

În lecțiile următoare, vom detalia fiecare dintre aceste utilizări pas cu pas: mai întâi transcrierea fișierelor, apoi modul vocal în timp real și, în final, sinteza text-to-speech.

Puncte cheie

  • Voxtral este familia de modele audio a Mistral, acoperind transcrierea, procesarea în timp real și text-to-speech
  • Transcrierea suportă 13 limbi, diarizare și până la 3 ore de audio
  • Text-to-speech poate clona o voce în câteva secunde și poate vorbi în 9+ limbi
  • În Vibe, totul este integrat: puteți transcrie, vorbi și asculta fără instrumente externe