Úvod do spracovania zvuku v Mistral AI
Na tejto strane
Kurz aktualizovaný 3. novembra 2026 pre Voxtral 3 na základe príručky Mistral Migrácia z Voxtral 2: Modely Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603'), ktoré boli zastarané 31. októbra 2026 a vyradené 30. apríla 2027, sú v príkladoch nahradené modelmivoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3avoxtral-mini-tts-3-0. Kľúčové zmeny: časové značky iba na úrovni segmentov (parameterwordvráti chybu 400), podpora diarizácie v reálnom čase, nastavenia relácie v reálnom čase uzamknuté po prvom zvukovom bloku a vstupycontext_bias` voľného formátu (frázy s medzerami). Zdroje: Migrácia z Voxtral 2 · Reč na text.
Rodina Voxtral: Zvukový balík od Mistral AI
Mistral AI už nie je len o texte. S rodinou modelov Voxtral táto francúzska spoločnosť ponúka kompletný súbor modelov určených pre reč: prepis, porozumenie zvuku a prevod textu na reč (TTS). V tomto kurze sa naučíš využívať tieto schopnosti na premenu zvukových tokov na skutočne použiteľný text, vrátane sprievodného kódu v Pythone.
Automatické rozpoznávanie reči (ASR), alebo prevod reči na text (STT), poháňa bežné nástroje, ktoré pravdepodobne používaš. Titulky vo vzdelávacích videách, zápisnice z poradí vedenia, hlasoví asistenti zákazníckej podpory a digitálna dostupnosť na verejných webových stránkach – to všetko stojí na rovnakej základnej technológii. Mistral AI prináša do tohto priestoru zvrchovaný, vysoko výkonný prístup s dôrazom na súkromie – čo je kritické, keď tvoje zvukové záznamy obsahujú mená pacientov, údaje zákazníkov alebo interné rokovania.
Dva spôsoby prepisu
Voxtral podporuje dva režimy, ktoré riešia úplne odlišné obmedzenia. Prvým je offline prepis, známy aj ako dávkové spracovanie: odošleš kompletný zvukový súbor a dostaneš späť prepis. Tento režim sa hodí pre nahrané podcasty, terénne rozhovory nahrané neskôr v priebehu dňa alebo archivované prednášky. Zvláda to model Voxtral Mini Transcribe 3 a pre vyššiu presnosť aj Voxtral Small Transcribe 3, ktoré ponúkajú diarizáciu a časové značky na úrovni segmentov.
Druhým je prepis v reálnom čase, alebo streamovanie: zvuk sa prepisuje, ako prichádza, s nastaviteľnou latenciou medzi 80 ms a 1,2 sekundy (alebo 2,4 sekundy). Nič nie je vopred nahrané; všetko sa deje počas toho, ako osoba hovorí. Tento režim poháňa titulky naživo počas webinárov, hlasových asistentov alebo nástrojov na diktovanie. Model Voxtral Mini Transcribe Realtime 3 je stavaný práve na toto. Maj tento rozdiel stále na pamäti: určuje väčšinu tvojich technických rozhodnutí počas zvyšku kurzu.
Podporované jazyky
Modely Voxtral 3 na prepis súborov pokrývajú 50 jazykov, zatiaľ čo model pre reálny čas podporuje 45 jazykov a dialektov, vrátane slovenčiny a češtiny. Ak nezadáš parameter language, model automaticky deteguje jazyk nahrávky; ak ho poznáš, špecifikuj ho pomocou dvojpísmenového kódu (napr. sk alebo cs).
Čo Voxtral robí navyše oproti surovému textu
Samotný prepis nie vždy stačí. Diarizácia automaticky identifikuje hovoriacich: na päťčlennej porade model rozlíši, kto kedy hovoril, a premení múr textu na čitateľný súhrn. Kontextové biasovanie ti umožňuje vložiť špecializovanú slovnú zásobu – vlastné mená, technické termíny, akronymy – aby sa slová ako „Kubernetes“ alebo „GDPR“ nepokazili počas technickej porady.
Časové značky na úrovni segmentov poskytujú čas začiatku a konca pre každý segment prepisu, čo umožňuje generovanie synchronizovaných titulkov; Voxtral 3 už nepodporuje časové značky na úrovni slov. Odolnosť voči hluku udržuje presnosť aj v náročných akustických prostrediach: okolitý hluk, ozvena v zasadačke alebo mikrofóny v notebookoch. Nakoniec, nahrávky môžeš odosielať ako súbory, prostredníctvom URL alebo z predtým nahraných súborov a odpovede dostávať ako stream, blok po bloku.
Zhoda a zvrchovanosť
Predchádzajúca generácia modelu pre reálny čas, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 miliardy parametrov), je vydaná ako open weights pod licenciou Apache 2.0: môžeš si ju hostiť sám bez závislosti na externom API, a to aj po jej vyradení z API 30. apríla 2027.
Je to veľká výhoda pre európske spoločnosti čeliace prísnym regulačným obmedzeniam pri spracovaní zvukových údajov: nahrávky z porád, hovory so zákazníkmi alebo lekárske konzultácie nikdy neopustia tvoju infraštruktúru.
Čo sa naučíš
Kurz postupuje priamočiaro. Začneš pochopením troch modelov Voxtral a výberom toho správneho pre tvoj prípad použitia. Ďalej sa pustíš do offline prepisu, kde preberieme API, jeho parametre, diarizáciu a kontextové biasovanie. Potom prejdeš na prepis v reálnom čase: streamovanie, zachytávanie z mikrofónu a kontrolu latencie. Kurz ukončíš nasadením do produkcie, vrátane optimalizácie, ošetrenia chýb a riadenia nákladov. Každá lekcia obsahuje kompletný, funkčný kód v Pythone, ktorý môžeš spustiť tak, ako je.
Kľúčové poznatky
- Voxtral je rodina zvukových modelov od Mistral AI, pokrývajúca STT aj TTS
- Dva režimy prepisu: offline (súbory) a reálny čas (streamovanie, nastaviteľná latencia od 80 ms)
- 50 jazykov pre súbory, 45 pre reálny čas, vrátane slovenčiny a češtiny
- Pokročilé funkcie: diarizácia, kontextové biasovanie, časové značky na úrovni segmentov, odolnosť voči hluku
- Zvrchované nasadenie je možné s modelom pre reálny čas druhej generácie, dostupným ako open weights pod licenciou Apache 2.0