Modely Voxtral na prepis zvuku
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 značky iba na úrovni segmentov (wordvráti chybu 400), diarizácia možná v reálnom čase, nastavenia relácie v reálnom čase uzamknuté po prvom zvukovom bloku a vstupycontext_biasvoľného formátu (frázy s medzerami). Zdroje: Migrate from Voxtral 2 · Speech to Text.
Štyri modely, tri prípady použitia
Mistral AI ponúka niekoľko modelov Voxtral na spracovanie reči, pričom každý je optimalizovaný na konkrétnu úlohu: dva na prácu so súbormi, jeden na reálny čas a jeden na kladenie otázok týkajúcich sa zvuku. Výber správneho modelu nie je len technickým detailom konfigurácie; určuje to, čo budeš môcť ďalej robiť – či už ide o časové značky, detekciu striedania hovorcov alebo streamovanie odpovedí. Toto rozhodnutie urob ako prvé, ešte pred napísaním jediného riadku kódu.
Voxtral Mini Transcribe 3 – prepis zo súboru
Toto je predvolený model na offline prepis: odošleš mu kompletnú nahrávku a on ti vráti prepísaný text. Jeho identifikátor v API je voxtral-mini-transcribe-3 (alias pre voxtral-mini-transcribe-3-0).
Podporuje všetky offline funkcie: diarizácia identifikuje hovorcov s časovými značkami na úrovni segmentov (časové značky na úrovni slov vo Voxtral 3 už neexistujú), kontextové zvýhodňovanie vstrekuje slovnú zásobu špecifickú pre danú oblasť a odpovede môžu byť streamované. Pokrýva 50 jazykov a k 3. novembru 2026 stojí 0,0035 USD za minútu zvuku.
V praxi si tento model vyber vždy, keď už zvuk existuje ako súbor: nahrávky zo schôdzí, podcasty, rozhovory, prednášky alebo lekárske a právne prepisy.
Príklad minimálneho volania
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("meeting.mp3", "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": "meeting.mp3"}
)
print(response.text)
Voxtral Small Transcribe 3 – keď záleží na presnosti
Model voxtral-small-transcribe-3 je väčší a presnejší, no funguje rovnakým spôsobom. Mistral odporúča začať s modelom Mini a prepnúť na Small až vtedy, ak chyby pretrvávajú aj napriek použitiu vlastnej slovníkovej zásoby. Stojí 0,004 USD za minútu.
Voxtral Mini Transcribe Realtime 3 – prepis v reálnom čase
Tento model je navrhnutý na streamovaný prepis. Jeho identifikátor v API je voxtral-mini-transcribe-realtime-3.
Jeho latencia je nastaviteľná od 80 ms do 1,2 sekundy, prípadne 2,4 sekundy (target_streaming_delay_ms): architektúra prepisuje zvuk prichádzajúci priebežne, namiesto čakania na koniec vety. Pokrýva 45 jazykov a dialektov, detekuje konce hovoru a teraz dokáže rozlíšiť hovorcov – nie však obe tieto funkcie v rámci jednej relácie súčasne. Jeho segmenty obsahujú označenia hovorcov, ale nemajú časy začiatku ani konca. Stojí 0,008 USD za minútu. Použi ho na živé titulky, hlasových asistentov, diktovanie alebo prepis konferencie priamo počas jej konania.
Príklad minimálneho volania
from mistralai.client import Mistral
from mistralai.client.models import AudioFormat
client = Mistral(api_key="YOUR_API_KEY")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=my_audio_stream,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
):
print(event.text, end="", flush=True)
Predchádzajúca generácia, voxtral-mini-transcribe-realtime-2602 (4 miliardy parametrov), zostáva dostupná ako open weights pod licenciou Apache 2.0 pre vlastné hostovanie na tvojich strojoch.
Voxtral Small – multimodálny zvukový chat
Tretí model mení kategóriu. Voxtral Small s identifikátorom voxtral-small-latest – ktorý je podľa dokumentácie pri spustení Voxtral 3 stále modelom generácie 2 – nie je čistý prepisovač, ale konverzačný model schopný chápať zvuk. Ako vstup v konverzácii prijíma zvukový súbor a odpovedá na tvoje otázky týkajúce sa jeho obsahu, čím kombinuje pochopenie zvuku s generovaním textu.
Tento rozdiel je viditeľný v kóde: používa koncový bod /chat/completions, nie /audio/transcriptions. Nebudeš sa ho pýtať „prepiš tento súbor“, ale skôr „zhrň túto konverzáciu“, „aký rozpočet bol spomenutý“ alebo „vyjadril zákazník sťažnosť“.
Príklad volania
import base64
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("audio.mp3", "rb") as f:
audio_base64 = base64.b64encode(f.read()).decode("utf-8")
response = client.chat.complete(
model="voxtral-small-latest",
messages=[{
"role": "user",
"content": [
{"type": "input_audio", "input_audio": audio_base64},
{"type": "text", "text": "Summarize this conversation in 3 key points."}
]
}]
)
print(response.choices[0].message.content)
Výber za jednu minútu
Keď čelíš novému projektu, pýtaj sa skôr na dominantnú potrebu než na dostupné funkcie. Nižšie uvedená tabuľka zhrňuje najbežnejšie scenáre.
| Tvoja potreba | Odporúčaný model |
|---|---|
| Nahratý zvukový súbor, výstup ako text | Voxtral Mini Transcribe 3 |
| To isté ako vyššie, ale chyby pretrvávajú aj napriek vlastnej slovníkovej zásobe | Voxtral Small Transcribe 3 |
| Identifikácia hovorcov s časovou značkou pre každý segment | Voxtral Mini alebo Small Transcribe 3 (offline) |
| Prepis naživo (mikrofón, zvukový stream) | Voxtral Mini Transcribe Realtime 3 |
| Kladenie otázok týkajúcich sa zvuku | Voxtral Small (chat) |
| Vlastné hostovanie modelu | Voxtral Realtime generácie 2, open weights |
Častou chybou je výber modelu pre reálny čas, pretože pôsobí modernejšie, až kým neskoro v projekte nezistíš, že požadovaná správa vyžaduje datovanie každého príspevku: v reálnom čase segmenty obsahujú hovorca, ale nie čas. Ak tvoj výstup musí uvádzať „kto čo povedal a kedy“, offline režim zostáva správnou voľbou.
Kľúčové poznatky
- Voxtral Mini Transcribe 3: prepis zo súboru s diarizáciou, kontextovým zvýhodňovaním a časovými značkami na úrovni segmentov
- Voxtral Small Transcribe 3: rovnaké schopnosti, vyššia presnosť, keď vlastná slovná zásoba nestačí
- Voxtral Mini Transcribe Realtime 3: streamovanie s nastaviteľnou latenciou od 80 ms, detekcia striedania hovorcov, diarizácia bez časových značiek
- Voxtral Small: zvukový chat na pochopenie a analýzu obsahu nahrávky
- 50 jazykov pre súbory, 45 pre reálny čas, vrátane francúzštiny