Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Voxtral — Zvočni modeli Mistral

Lekcija 5 od 14 Posodobljeno 28. julij 2026 Začetnik
Na tej strani
  1. Zvok, nova meja umetne inteligence
  2. Voxtral TTS — Sinteza govora naslednje generacije
  3. Voxtral Mini Transcribe 2 — Prepisovanje zvoka
  4. Voxtral Mini Transcribe Realtime — Obdelava v realnem času
  5. Voxtral Small — Zvočni vhod
  6. Ključne ugotovitve

Zvok, nova meja umetne inteligence

Umetna inteligenca se ne omeja več na besedilo. Razumevanje in ustvarjanje govora je postalo konkreten izziv za številne aplikacije: glasovni pomočniki, prepisovanje sestankov, sinhronizacija filmov, dostopnost. Mistral je razvil družino modelov Voxtral, ki pokriva celotno verigo. Štirje modeli, ki jih bomo obravnavali, niso zamenljivi: vsak zavzema specifično točko v verigi, zamenjava njihovih vlog pa je najpogostejša napaka pri načrtovanju aplikacij.

Voxtral TTS — Sinteza govora naslednje generacije

Voxtral TTS, model za sintezo govora iz besedila (text-to-speech), so lansirali marca 2026. Gre za eno najbolj odmevnih izdaj leta, predvsem zaradi ene zmožnosti: kloniranja glasu brez dodatnega učenja (zero-shot voice cloning).

Načelo je preprosto, a nosi velike posledice. Modelu priskrbiš zvočni posnetek glasu – dovolj je že nekaj sekund – in ta nato generira poljubno besedilo v tem glasu, brez potrebe po dodatnem treniranju. Barva, ritem in značilnosti izvornega glasu so zajeti v enem samem prehodu: ni treba financirati zbiranja podatkov ali sej treniranja med trenutkom, ko slišiš glas, in trenutkom, ko ga lahko uporabiš.

Takoj se izrišejo štiri področja uporabe. Sinhronizacija in lokalizacija omogočata prevajanje zvočne vsebine ob ohranitvi izvornega glasu, s čimer se ohrani identiteta blagovne znamke ali govorca v različnih jezikih. Dostopnost ima korist od vmesnikov, opremljenih z naravnim, personaliziranim glasom namesto z brezosebnim sintetičnim. Izobraževalne vsebine najdejo dosledno naracijo od modula do modula brez ponovnega snemanja. Glasovni pomočniki pa lahko končno dobijo prepoznavno zvočno identiteto.

Tehnično je model večjezičen in podpira francoščino. Deluje v realnem času s pretakanjem (streaming): glas se proizvaja sproti, brez čakanja na razpoložljivost celotnega besedila, kar omogoča tekoč pogovor. Izhod je podoben človeškemu govoru, z upravljanjem intonacije in čustev. Model spada v raven Open, uteži pa so objavljene na Hugging Face.

Ta moč zahteva disciplino. Mistral priporoča sistematično pridobivanje soglasja osebe, katere glas se klonira, nikoli ne uporabi te tehnologije za lažno predstavljanje identitete in jasno označi vsebine, ki jih je ustvarila AI. Ta tri pravila niso teoretični previdnostni ukrepi: projekt sinhronizacije, ki jih zanemari, izpostavi tako naročnika kot osebo, katere glas je služil kot vzorec.

Voxtral Mini Transcribe 2 — Prepisovanje zvoka

Voxtral Mini Transcribe 2, izdan februarja 2026, gre v nasprotno smer: je Mistralov model za prepisovanje zvoka, torej pretvorbo govora v besedilo (speech-to-text), in govor pretvarja v besedilo z visoko natančnostjo. Spada v raven Premier, zato je dostopen prek API-ja.

Od osnovnega prepisovalca ga ločijo štiri zmožnosti. Prepisovanje je večjezično z samodejnim zaznavanjem jezika, kar odpravlja potrebo po vnaprejšnji konfiguraciji vsake datoteke. Diarizacija identificira različne govorce v pogovoru – brez nje ostane poročilo o sestanku s šestimi udeleženci blok neuporabnega besedila. Pristranskost konteksta (context biasing) ti omogoča, da modelu priskrbiš specializirano besedišče, lastna imena ali tehnične izraze, tako da preneha popačevati reference, ki so pomembne na tvojem področju. Časovni žigi končno uskladijo prepis besedo za besedo z zvočnim posnetkom.

Te značilnosti začrtajo primere uporabe: poročila o sestankih z identifikacijo udeležencev, sinhronizirano podnaslavljanje, analizo klicev službe za podporo strankam in indeksiranje govorjene vsebine, da arhiv posnetkov, ki prej ni bil iskalen, postane iskalen.

Voxtral Mini Transcribe Realtime — Obdelava v realnem času

Ko ima prednost nizka zakasnitev pred fino obdelavo, Voxtral Mini Transcribe Realtime prepisuje v neprekinjenem toku: besedilo se pojavlja, medtem ko oseba govori, brez čakanja na konec stavka. Ta model spada v raven Open, kar omogoča lokalno gostovanje – odločilni argument za občutljive aplikacije, kjer zvok ne sme zapustiti tvoje infrastrukture.

FunkcijaTranscribe 2Transcribe Realtime
ZakasnitevSerijska (naknadna obdelava)V realnem času (pretakanje)
NatančnostVišjaNekoliko nižja
DiarizacijaDaOmejena
RavenPremierOpen
Tipična uporabaPrepisovanje datotekPodnaslavljanje v živo

To tabelo beri kot kompromis, ne kot razvrstitev: Realtime ne izbereš zato, ker je boljši, ampak zato, ker podnaslavljanje v živo ne dopušča naknadne obdelave.

Voxtral Small — Zvočni vhod

Voxtral Small, objavljen julija 2025, igra drugačno vlogo od prejšnjih. Sprejme zvok kot vhod za naloge sledenja navodilom: pošlješ mu datoteko in ga prosiš, naj jo povzame, odgovori na vprašanja o njeni vsebini ali jo analizira. Torej ni prepisovalca, ki bi ga povezal z besedilnim modelom, temveč multimodalni instrukcijski model za zvok, ki deluje neposredno na zvočnem signalu.

Ključne ugotovitve

  • Voxtral TTS (marec 2026) je model za sintezo govora s kloniranjem glasu brez dodatnega učenja (zero-shot)
  • Voxtral Mini Transcribe 2 ponuja natančno prepisovanje z diarizacijo in pristranskostjo konteksta
  • Voxtral Realtime omogoča prepisovanje s pretakanjem, odprtokoden
  • Voxtral Small je multimodalni instrukcijski model, ki razume zvočni vhod
  • Družina Voxtral pokriva celotno verigo: besedilo → glas (TTS), glas → besedilo (prepisovanje) in glas → razumevanje (instrukcijski zvok)