Voxtral v roku 2026: TTS a prepis v reálnom čase
Na tejto strane
Aktualizované 2. novembra 2026 — audio. Modely Voxtral TTS (
voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) a ich verzie pre reálny čas boli od 31. októbra 2026 zastarané, pričom ich odstránenie je naplánované na 30. apríla 2027. Ich nástupcovia z rodiny Voxtral 3, uvedení na trh 20. októbra vo verejnej náhľadovej verzii, a pipeline Voice Agents sú pokryté v kurze Mistral v roku 2026 (lekcia 11).
Schopnosti Mistralu v oblasti audia sa v roku 2026 rozšírili o dva nové stavebné kamene: syntézu reči z textu a prepis v reálnom čase. Samostatne sú to len dve technické oznámenia medzi mnohými; spoločne však dokončujú reťazec – od hlasu používateľa po hlas stroja – ktorý ti teraz umožňuje vytvoriť kompletného hlasového agenta bez opustenia ekosystému Mistral. Táto lekcia pokrýva každú zložku a následne ukazuje, ako do seba zapadajú.
Voxtral TTS: Daj svojim aplikáciám hlas
Voxtral TTS (v26.03), oznámený 23. marca 2026, je model Mistralu na syntézu reči z textu. Oficiálna dokumentácia zdôrazňuje špičkovú kvalitu pre hlasových agentov, viacjazyčnú podporu a predovšetkým schopnosť hodnú pozornosti: klonovanie hlasu bez predchádzajúceho tréningu (zero-shot). Model dokáže reprodukovať hlas na základe krátkej audio ukážky bez potreby špeciálneho tréningu. Zatiaľ čo klonovanie hlasu si predtým vyžadovalo hodiny nahrávania a špecifickú fázu učenia, teraz stačí niekoľko sekúnd na získanie presvedčivej imitácie.
Táto jednoduchosť používania si vyžaduje okamžité pripomenutie, ktoré nie je len formalitou: klonovanie hlasu osoby si vyžaduje jej výslovný súhlas. V Európe je hlas podľa zákona osobným údajom. Použitie na vydávanie sa za niekoho iného – nútiť niekoho povedať to, čo nikdy nepovedal, alebo sa za neho vydávať počas telefonátu – je nezákonné, bodka. Čo sa týka legitímnych použití, a tých je niekoľko veľmi solidných – konzistentný hlas značky naprieč všetkými kanálmi, riešenia dostupnosti, ktoré navracajú hlas ľuďom, ktorí oň prišli –, tie musia byť upravené zmluvou: písomný súhlas, definovaný rozsah použitia a určené trvanie. Ak tvoj projekt zahŕňa klonovanie skutočného hlasu, vytvor tento právny rámec skôr, než napíšeš prvý riadok kódu, nie až potom.
Voxtral Mini Transcribe Realtime: Porozumenie v reálnom čase
Druhá zložka rieši jasne identifikovanú medzeru. Mistral už ponúkal prepis audio súborov pomocou modelu Voxtral, ale tento dávkový režim predpokladá, že nahrávka je pred spracovaním dokončená. Celá rodina prípadov použitia však nemôže čakať: titulky naživo počas stretnutí alebo podujatí, hlasový agent, ktorý musí rozumieť tomu, čo používateľ práve hovorí, alebo priebežné automatické robienie poznámok.
Presne toto pokrýva Voxtral Mini Transcribe Realtime (v26.02), v dokumentácii opisovaný ako efektívny vstupný audio model, predtrénovaný a optimalizovaný na živý prepis. Rozdiel oproti dávkovému režimu nie je len kozmetický: v reálnom čase sa latencia stáva hlavným obmedzením, pretože hlasový agent, ktorému trvá tri sekundy pochopiť vetu, vytvára neznesiteľnú konverzáciu. Model špecificky optimalizovaný na nepretržitý tok je preto správnou architektonickou odpoveďou, namiesto účelového použitia dávkového modelu.
Audio sada Mistral a ako ju poskladať
Audio ponuka teraz pozostáva z troch doplnkových zložiek:
| Zložka | Model | Použitie |
|---|---|---|
| Prepis (dávkový) | Voxtral (STT) | Prepis audio súborov |
| Prepis (živý) | Voxtral Mini Transcribe Realtime | Stream v reálnom čase |
| Syntéza | Voxtral TTS | Daj svojim aplikáciám hlas |
Pre kompletného hlasového agenta sa typický reťazec zostavuje nasledovne: prepis v reálnom čase prevádza reč používateľa na text za chodu, jazykový model – Small 4 pre väčšinu prípadov, Medium 3.5 pre tie najnáročnejšie – porozumie a sformuluje odpoveď, ktorú následne vysloví Voxtral TTS. Každý článok pochádza od rovnakého poskytovateľa, čo zjednodušuje uzatváranie zmlúv, fakturáciu aj dodržiavanie predpisov – argument, ktorý má v podnikových projektoch veľkú váhu.
Naše kurzy „Prepis Voxtral“ a „Voxtral TTS“ pokrývajú základy týchto zložiek; táto lekcia ich umiestňuje do aktualizovanej ponuky roku 2026. Ak si ich absolvoval, architektúra opísaná tu je prirodzenou kombináciou toho, čo už vieš robiť so jednotlivými zložkami.
Oficiálny zdroj: docs.mistral.ai — Models Overview
Kľúčové poznatky
- Voxtral TTS (v26.03): Špičková syntéza s klonovaním hlasu bez predchádzajúceho tréningu (zero-shot)
- Klonovanie hlasu si vyžaduje výslovný súhlas danej osoby – to nie je predmetom diskusií
- Voxtral Mini Transcribe Realtime (v26.02) pokrýva živý prepis
- Reťazec hlasového agenta: prepis v reálnom čase → LLM → TTS, všetko od jedného poskytovateľa