Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Úvod do spracovania zvuku v Mistral AI

Lekcia 1 z 16 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Rodina Voxtral: Zvukový balík od Mistral AI
  2. Dva spôsoby prepisu
  3. Čo Voxtral robí navyše oproti surovému textu
  4. Zhoda a zvrchovanosť
  5. Čo sa naučíš
  6. Kľúčové poznatky

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 modelmi voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3avoxtral-mini-tts-3-0. Kľúčové zmeny: časové značky iba na úrovni segmentov (parameter wordvráti 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.

50
Jazykov (súbory)
80 ms
Minimálna latencia v reálnom čase
3
Modely Voxtral STT

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