Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Voxtral leta 2026: Pretvorba besedila v govor in prepisovanje v realnem času

Lekcija 6 od 12 Posodobljeno 2. november 2026 Srednje napredni
Na tej strani
  1. Voxtral TTS: Dajanje glasu vašim aplikacijam
  2. Voxtral Mini Transcribe Realtime: Razumevanje v realnem času
  3. Mistralov zvočni nabor in kako ga sestaviti
  4. Ključne ugotovitve

Posodobljeno 2. novembra 2026 — zvok. Modeli Voxtral TTS (voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) in njegove različice za realni čas so bili umaknjeni 31. oktobra 2026, njihova popolna odstranitev pa je načrtovana za 30. april 2027. Njihove naslednike iz družine Voxtral 3, ki so bili 20. oktobra izdani v javni predogled, ter cevovod Voice Agents obravnavamo v tečaju Mistral v letu 2026 (lekcija 11).

Mistralove zvočne zmogljivosti so se leta 2026 razširile z dvema novima gradnikoma: sintezo govora iz besedila (TTS) in prepisovanjem v realnem času. Posamično gledano sta to le dve tehnični napovedi med mnogimi; skupaj pa zaključita verigo – od uporabnikovega glasu do strojevega glasu – ki vam zdaj omogoča izgradnjo popolnega glasovnega agenta brez izstopa iz Mistralovega ekosistema. Ta lekcija pokriva vsako komponento posebej, nato pa pokaže, kako delujejo skupaj.

Voxtral TTS: Dajanje glasu vašim aplikacijam

Voxtral TTS (v26.03), napovedan 23. marca 2026, je Mistralov model za sintezo govora iz besedila. Uradna dokumentacija poudarja vrhunsko kakovost za glasovne agente, večjezično podporo in predvsem zmožnost, ki si jo velja zapomniti: kloniranje glasu brez predhodnega učenja (zero-shot). Model lahko namreč reproducira glas na podlagi kratkega zvočnega posnetka brez potrebe po namenskem usposabljanju. Medtem ko je kloniranje glasu prej zahtevalo ure snemanja in posebno fazo učenja, je danes za convincing imitacijo dovolj le nekaj sekund.

Ta enostavnost uporabe zahteva takojšnje opozorilo in to ni zgolj formalnost: kloniranje človekovega glasu zahteva njegovo izrecno privolitev. V Evropi je glas po zakonu osebni podatek. Uporaba za izdajanje – da nekdo reče nekaj, kar nikoli ni rekel, ali da se predstavljate kot ta oseba po telefonu – je nezakonita, pika. Kar zadeva legitimne uporabe, ki jih je veliko in so zelo utemeljene – dosleden glas blagovne znamke na vseh kanalih, rešitve za dostopnost, ki vračajo glas ljudem, ki so ga izgubili – morajo biti urejene s pogodbo: pisno privolitev, opredeljen obseg uporabe in določen čas trajanja. Če vaš projekt vključuje kloniranje stvarnega glasu, vzpostavite ta pravni okvir, preden napišete prvo vrstico kode, ne šele po tem.

Voxtral Mini Transcribe Realtime: Razumevanje v realnem času

Druga komponenta naslavlja jasno prepoznavno vrzel. Mistral je že ponujal prepisovanje zvočnih datotek z Voxtralom, vendar ta serijski način (batch mode) predpostavlja, da je snemanje končano pred obdelavo. Vendar pa cela družina primerov uporabe ne more čakati: podnapisi za sestanke ali dogodke v živo, glasovni agent, ki mora razumeti medtem, ko uporabnik govori, ali neprekinjeno avtomatsko beleženje zapisnikov.

To pokriva Voxtral Mini Transcribe Realtime (v26.02), ki ga dokumentacija opisuje kot učinkovit vhodni zvočni model, predhodno usposobljen in optimiziran za prepisovanje v živo. Razlika glede na serijski način ni kozmetična: v realnem času postane zakasnitev (latenca) glavna omejitev, saj glasovni agent, ki potrebuje tri sekunde, da razume stavek, ustvari nevzdržen pogovor. Model, posebej optimiziran za neprekinjen tok podatkov, je zato prava arhitekturna rešitev, namesto da bi prilagajali serijski model.

Mistralov zvočni nabor in kako ga sestaviti

Zvočni nabor zdaj sestavljajo trije komplementarni elementi:

KomponentaModelUporaba
Prepisovanje (serijsko)Voxtral (STT)Prepisovanje zvočnih datotek
Prepisovanje (v živo)Voxtral Mini Transcribe RealtimeTok v realnem času
SintezaVoxtral TTSDajanje glasu vašim aplikacijam

Za popolnega glasovnega agenta se tipična veriga sestavi takole: prepisovanje v realnem času sproti pretvori uporabnikov govor v besedilo, jezikovni model – Small 4 za večino primerov, Medium 3.5 za najbolj zahtevne – razume in oblikuje odgovor, nato pa ga Voxtral TTS izgovori. Vsak člen prihaja od istega ponudnika, kar poenostavlja pogodbeno razmerje, obračunavanje in skladnost z predpisi – argument, ki ima pri podjetniških projektih veliko težo.

Naša tečaja „Prepisovanje z Voxtralom” in „Voxtral TTS” pokrivata osnove teh komponent; ta lekcija ju umešča v posodobljen nabor za leto 2026. Če ste ju že opravili, je tukaj opisana arhitektura naravna kombinacija tega, kar že znate storiti s posameznimi komponentami.

Uradni vir: docs.mistral.ai — Models Overview

Ključne ugotovitve

  • Voxtral TTS (v26.03): Vrhunska sinteza s kloniranjem glasu brez predhodnega učenja (zero-shot)
  • Kloniranje glasu zahteva izrecno privolitev osebe – to je nepogajljivo
  • Voxtral Mini Transcribe Realtime (v26.02) pokriva prepisovanje v živo
  • Veriga glasovnega agenta: prepisovanje v realnem času → LLM → TTS, vse od istega ponudnika