Offline vs. Realtime: Sprievodca výberom
Na tejto strane
Kurz aktualizovaný 3. novembra 2026 pre Voxtral 3 na základe príručky Mistral Migrate from 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 pečiatky sú len na úrovni segmentov (wordvráti chybu 400), diarizácia je možná v režime realtime, nastavenia relácie realtime sú fixné po prvom zvukovom čunku a vstupycontext_bias` sú voľného formátu (povolené frázy s medzerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.
Dva režimy, dve filozofie
Voxtral ponúka dva prístupy k prepisu, ktoré sa nelíšia kvalitou, ale svojou podstatou. Výber medzi nimi nie je implementačný detail, ktorý by si ladil až na konci projektu. Určuje dostupné funkcie, spôsob písania kódu, vzniknuté náklady a používateľskú skúsenosť, ktorú dodáš. Táto lekcia ti poskytne fakty potrebné na tento výber, aby si sa ho držal a v prípade potreby dokonca kombinoval oba režimy.
Kompletné porovnanie
| Kritérium | Offline (Dávkové) | Realtime (Streamovanie) |
|---|---|---|
| Model | Voxtral Mini (alebo Small) Transcribe 3 | Voxtral Mini Transcribe Realtime 3 |
| Latencia | Sekundy až minúty (v závislosti od dĺžky) | Konfigurovateľné oneskorenie od 80 ms do 1,2 s, alebo 2,4 s |
| Limit zvuku | Kontextové okno, zdieľané s context_bias | Nepretržitá relácia |
| Diarizácia | Áno, s časovými pečiatkami segmentov | Áno, bez časových pečiatok; nie je dostupná s detekciou konca hovoru |
| Kontextové biasovanie | Áno (zoznam termínov, povolené frázy) | Áno, v konfigurácii relácie |
| Časové pečiatky | Na segment (nie na úrovni slov) | Nie |
| Detekcia konca hovoru | Nie | Áno |
| Zvukový formát | Bežné formáty súborov | 16-bitové mono PCM (predvolené 16 kHz) |
| Jazyky | 50 | 45 jazykov a dialektov |
| Cena k 3. novembru 2026 | 0,0035 $/min (Mini), 0,004 $/min (Small) | 0,008 $/min |
| Programovanie | Synchronné (jednoduché) | Asynchrónne (async/await) |
| Primárne použitie | Nahraté súbory | Živý zvuk |
Pozorný pohľad na túto tabuľku odhaľuje, čo skutočne oddeľuje tieto dva režimy. Offline je jediný režim, ktorý označuje časovou pečiatkou každý segment, pretože vidí celý zvukový záznam predtým, než odpovie. Realtime je jediný režim, ktorý detekuje konce hovoru a vracia text počas toho, čo niekto hovorí. Nevyberáš si medzi plnou verziou a ľahkou verziou. Vyberáš si medzi dvoma spôsobmi obsluhy používateľa: po skončení udalosti, alebo priamo v momente jej trvania.
Ako si vybrať
Offline je jasnou voľbou vždy, keď spracovávaš už existujúce zvukové súbory – archivované schôdzky, podcasty, rozhovory – keďže zvuk je kompletný a nie je žiadny zisk v umelom krájaní na časti. Je to tvoja jediná možnosť, ak potrebuješ identifikovať hovoriacich, pretože diarizácia zostáva pre streamovanie nedostupná. Je to tiež správna voľba, ak tvoja doména vyžaduje špecializovanú slovnú zásobu, ktorú musí viesť kontextové biasovanie, alebo ak potrebuješ presné časové pečiatky pre postprodukčné titulky vo videu. Nakoniec, ušetrí ťa od akejkoľvek predbežnej konverzie, keď tvoje zdroje prichádzajú v rôznych formátoch, a stáva sa zrejmou voľbou, keď latencia nie je kritická: oneskorené spracovanie, nočné dávky, archivačné pipeline.
Realtime sa stáva nevyhnutným, keď zvuk prichádza nepretržite, z mikrofónu alebo sieťového streamu, čo znamená, že nie je k dispozícii žiadny súbor na odoslanie. Je povinný, keď musia byť výsledky dostupné do jednej sekundy, ako je to pri hlasovom asistentovi, nástroji na diktovanie alebo živom titulkovaní pre konferenciu či webinár. Dva ďalšie strategické dôvody môžu viesť k výberu bez ohľadu na latenciu: nasadenie on-premise alebo na edge, umožnené otvorenými váhami, a požiadavky na suverenitu, keď žiadne údaje nesmú opustiť tvoju infraštruktúru.
Existuje tretia cesta, často tá najlepšia: kombinácia oboch. Titulkuješ konferenciu v režime realtime a následne znova spracuješ nahrávku offline, aby si vytvoril čisté titulky s časovými pečiatkami. Počas schôdzky zobrazuješ živý prepis a potom spustíš offline prechod s diarizáciou, aby si priradil každú výpoveď jej hovoriacemu. Diktuješ v režime realtime a následne súbor znova spracuješ offline kvôli revízii a opravám. Realtime slúži momentu; offline slúži dokumentu.
Koľko stojí každý režim
Oba režimy nezdieľajú rovnakú cenovú štruktúru. K aprílu 2026 je cenotvorba Mistral AI založená na dĺžke spracovaného zvuku. Offline je vo všeobecnosti lacnejší na minútu, pretože dávkové spracovanie je optimalizované, zatiaľ čo realtime si účtuje príplatok za trvalé WebSocket pripojenie a nepretržité spracovanie.
Tri návyky znižujú náklady bez toho, aby si niečo obetoval. V režime offline zoskupuj súbory, aby si obmedzil počet API požiadaviek. V režime realtime uzavri pripojenie hneď, ako reč ustane, namiesto toho, aby si ho nechal otvorené „pre istotu“: zabudnutá relácia spotrebúva zdroje bez toho, aby produkovala výstup. Najdôležitejšie je vždy sa opýtať, či je živé spracovanie skutočne nevyhnutné – ak realtime nepridáva používateľovi žiadnu hodnotu, offline je lacnejšie a ponúka viac funkcií.
Hybridná pipeline: Od živého prenosu po správu
Kód nižšie ukazuje hybridný vzor v jeho najbežnejšej forme: schôdzka. Počas relácie stream realtime napája displej: účastníci vidia rolovať text, nikto nečaká. Akonáhle schôdzka skončí, ten istý zvuk, teraz dostupný ako kompletný súbor, sa znova spracuje offline s diarize=True a časovými pečiatkami na úrovni segmentov, čím vznikne správa, ktorá priradí každú výpoveď jej hovoriacemu. Tieto dve volania si nekonkurujú; dopĺňajú sa. Prvé slúži okamžitosti; druhé sledovateľnosti.
import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
AudioFormat,
TranscriptionStreamTextDelta,
TranscriptionStreamDone
)
async def hybrid_pipeline(realtime_audio_source, complete_file_path):
"""
1. Realtime prepis pre okamžité zobrazenie
2. Offline prepis pre finálnu správu s diarizáciou
"""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Fáza 1: Realtime (počas schôdzky)
print("=== ŽIVÝ PREPIS ===\n")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=realtime_audio_source,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
target_streaming_delay_ms=800,
):
if isinstance(event, TranscriptionStreamTextDelta):
print(event.text, end="", flush=True)
elif isinstance(event, TranscriptionStreamDone):
break
# Fáza 2: Offline (po schôdzke)
print("\n\n=== PODROBNÁ ANALÝZA ===\n")
with open(complete_file_path, "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": complete_file_path},
diarize=True,
timestamp_granularities=["segment"]
)
for seg in response.segments:
print(f"[{seg.speaker_id}] ({seg.start:.1f}s) {seg.text}")
return response
Všimni si praktické obmedzenie, ktoré tento vzor ukladá: musíš nahrávať zvuk paralelne so streamovaním, keďže čunky spotrebované streamom realtime sa neuchovávajú. Naplánuj si tento zápis na disk už od začiatku, inak bude mať offline fáza čo spracovávať.
Kľúčové poznatky
- Offline vyniká pri nahratých súboroch s diarizáciou a časovými pečiatkami
- Realtime vyniká pri živom zvuku s ultra-nízkou latenciou
- Oba režimy je možné kombinovať v hybridnej pipeline
- Offline je bohatší na funkcie (diarizácia, kontextové biasovanie, časové pečiatky)
- Realtime je flexibilnejší pre nasadenie (otvorené váhy, edge)
- Vyberaj na základe zdroja zvuku (súbor vs. živý) a požadovaných funkcií