Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Úvod do zvukových schopností Mistral

Lekcia 5 z 14 Aktualizované 2. novembra 2026 Začiatočník
Na tejto strane
  1. Keď sa AI naučí počúvať a rozprávať
  2. Rodina Voxtral
  3. Prevod reči na text: Od hlasu k textu
  4. Prevod textu na reč: Od textu k hlasu
  5. Na čo sa zvuk vo Vibe používa?
  6. Kľúčové poznatky

Aktualizácia z 2. novembra 2026 — Le Chat je teraz Vibe. Od 28. mája 2026 prešiel Le Chat rebrandingom na Vibe (stále na chat.mistral.ai): ide o jediného agenta pre prácu a kód, ktorý si zachováva tvoje konverzácie, nastavenia a predplatné. Pôvodné prostredie Le Chat zostáva dostupné v režime Chat; v režime Work sa z agentov stali zručnosti (vyvolávané pomocou @), pamäte sú teraz znalostnou bázou a hĺbkový výskum je zručnosťou Deep Research. Plány sa teraz nazývajú Mistral Free, Pro, Team a Enterprise. Táto lekcia používa názov Vibe; uvedom si, že niektoré tu opísané ponuky mohli zmeniť názvy alebo umiestnenie.

Keď sa AI naučí počúvať a rozprávať

Po vizuálnom vnímaní predstavuje zvuk druhú veľkú multimodálnu revolúciu spoločnosti Mistral AI. Vďaka rodine modelov Voxtral už Vibe nielen číta a píše text – dokáže teraz prepisovať reč, zapájať sa do hlasových konverzácií a generovať reč z textu. Stručne povedané, cyklus je uzavretý: AI ťa počúva, rozumie ti a odpovedá ti nahlas. Táto lekcia predstavuje všetky tieto schopnosti skôr, než ich nasledujúce lekcie podrobne rozoberú jednu po druhej.

Rodina Voxtral

Mistral vyvinul komplexnú sadu zvukových modelov pod značkou Voxtral, pričom každý z nich plní v zvukovom pipeline špecifickú úlohu. Voxtral Mini Transcribe je model na dávkový prepis (Speech-to-Text): zadáš mu zvukový súbor a on vráti písaný text s pozoruhodnou presnosťou – tento model pracuje, keď nahraješ záznam zo schôdzky. Voxtral Realtime je jeho náprotivok v reálnom čase: navrhnutý pre hlasové konverzácie, prepisuje reč, ako prebieha, s ultra nízkou latenciou konfigurovateľnou pod 200 milisekúnd – to je to, čo umožňuje plynulý hlasový režim Vibe. Nakoniec, Voxtral TTS ide opačným smerom: syntéza textu na reč transformuje text na prirodzený hlas so schopnosťou naklonovať hlas len z niekoľkých sekúnd nahrávky.

FunkciaModelJazykyLatencia
Prepis (STT dávkový)Voxtral Mini Transcribe V213 jazykovNiekoľko sekúnd na súbor
Prepis v reálnom čase (STT)Voxtral Realtime13 jazykovPod 200 ms
Text na reč (TTS)Voxtral TTS9+ jazykov~90 ms (model)

Prevod reči na text: Od hlasu k textu

Prepis zvuku je schopnosť previesť hlasovú nahrávku na písaný text a Voxtral Mini Transcribe vyniká v niekoľkých oblastiach. Po prvé, jeho presnosť: miera chybovosti slov zostáva nízka aj pri nahrávkach strednej kvality – typu súborov zachytených telefónom ležiacim uprostred konferenčného stola. Tiež vykonáva diarizáciu, čo znamená, že automaticky identifikuje rôznych hovoriacich v konverzácii: prepis rozlišuje „Hovoriaci 1“ a „Hovoriaci 2“, čo mení všetko pri zápisniciach zo schôdzok. Jeho odolnosť voči hluku mu umožňuje udržiavať dobrú presnosť aj v náročných prostrediach – kaviarne, ulice, schôdzky s viacerými hlasmi. Nakoniec zvláda dlhé nahrávky, až 3 hodiny zvuku v jednej požiadavke, čo stačí na pokrytie celej konferencie.

Pokiaľ ide o jazyky, podporovaných je 13: angličtina, francúzština, španielčina, nemčina, taliančina, portugalčina, holandčina, čínština, hindčina, arabčina, ruština, japončina a kórejčina. Pre bežné európske prípady použitia si dobre pokrytý.

Prevod textu na reč: Od textu k hlasu

Prevod textu na reč funguje opačným smerom: zadáš text a Voxtral TTS ho prečíta nahlas prirodzeným hlasom. Jeho najspectakulárnejšou vlastnosťou je klonovanie hlasu: len z 2 až 3 sekúnd tvojej hlasovej nahrávky dokáže model vygenerovať reč, ktorá znie ako ty. Toto klonovanie sa spolieha na princíp hlasu ako inštrukcie: model reprodukuje intonáciu, rytmus a emócie referenčnej vzorky hlasu bez potreby anotovať text značkami pre prosódiu – samotná vzorka slúži ako inštrukcia.

Model je viacjazyčný – angličtina, francúzština, španielčina, portugalčina, taliančina, holandčina, nemčina, hindčina, arabčina – a dokáže dokonca miešať jazyky v rámci jedného úseku. Nakoniec funguje v režime streamovania: generovanie hlasu sa začne asi za 90 milisekúnd, čo umožňuje takmer okamžité interakcie namiesto čakania medzi tvojou otázkou a hovorenou odpoveďou.

Na čo sa zvuk vo Vibe používa?

Konkrétne sa ako používateľ Vibe tieto schopnosti premietajú do štyroch každodenných činností. Môžeš prepísať schôdzku: nahraj nahrávku a získaj textové zhrnutie za niekoľko sekúnd. Môžeš hovoriť hlasom aktiváciou hlasového režimu, čo umožňuje prirodzenú konverzáciu bez klávesnice. Môžeš počúvať odpovede tým, že požiadaš Vibe, aby prečítal svoj text nahlas – vhodné pri chôdzi alebo varení. A môžeš diktovať svoje správy, hovoriť namiesto písania.

V nasledujúcich lekciách podrobne rozoberieme každé z týchto použití krok za krokom: najprv prepis súborov, potom hlasový režim v reálnom čase a nakoniec syntézu textu na reč.

Kľúčové poznatky

  • Voxtral je rodina zvukových modelov Mistral, ktorá pokrýva prepis, spracovanie v reálnom čase a prevod textu na reč
  • Prepis podporuje 13 jazykov, diarizáciu a až 3 hodiny zvuku
  • Prevod textu na reč dokáže naklonovať hlas za niekoľko sekúnd a hovoriť v 9+ jazykoch
  • Vo Vibe je všetko integrované: môžeš prepisovať, hovoriť a počúvať bez externých nástrojov