Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Uvod v zvočne zmožnosti modela Mistral

Lekcija 5 od 14 Posodobljeno 2. november 2026 Začetnik
Na tej strani
  1. Ko se AI nauči poslušati in govoriti
  2. Družina Voxtral
  3. Govor v besedilo: Od glasu do teksta
  4. Besedilo v govor: Od teksta do glasu
  5. Kako se zvok uporablja v Vibeu?
  6. Ključne ugotovitve

Posodobitev 2. novembra 2026 — Le Chat je zdaj Vibe. Od 28. maja 2026 dalje je bil Le Chat preimenovan v Vibe (še vedno na chat.mistral.ai): en sam agent za delo in kodo, ki ohranja vaša pogovorna zgodovina, nastavitve in naročnine. Stara izkušnja Le Chat je še vedno dostopna v načinu Chat; v načinu Work so agenti postali veščine (ki jih prikličete z @), spomini so zdaj baza znanja, poglobljeno raziskovanje pa je veščina Deep Research. Naročniški paketi se zdaj imenujejo Mistral Free, Pro, Team in Enterprise. Ta lekcija uporablja ime Vibe; upoštevajte, da so se nekateri meniji, opisani tukaj, morda preimenovali ali premaknili.

Ko se AI nauči poslušati in govoriti

Po vidu zvok predstavlja drugo veliko multimodalno revolucijo podjetja Mistral AI. Z družino modelov Voxtral Vibe ne bere in piše le besedila – zdaj lahko prepisuje govor, sodeluje v glasovnih pogovorih in ustvarja govor iz besedila. Skratka, krog je sklenjen: AI vas posluša, razume in vam odgovori na glas. Ta lekcija predstavlja vse te zmožnosti, preden jih naslednje lekcije podrobneje obravnavajo eno za drugo.

Družina Voxtral

Mistral je razvil celovit nabor zvočnih modelov pod blagovno znamko Voxtral, pri čemer vsak opravlja specifično vlogo v zvočnem procesu. Voxtral Mini Transcribe je model za serijski prepis (govor v besedilo): prejme zvočno datoteko in vrne zapisano besedilo z izjemno natančnostjo – to je model, ki deluje, ko naložite posnetek sestanka. Voxtral Realtime je njegov sodobnik za delovanje v realnem času: zasnovan je za glasovne pogovore in prepisuje govor, ko ta poteka, z ultra nizko zakasnitvijo, nastavljivo pod 200 milisekund – prav to omogoča tekoči glasovni način Vibea. Končno Voxtral TTS deluje v nasprotni smeri: sinteza besedila v govor pretvori besedilo v naraven glas, pri čemer lahko kopira glas že na podlagi nekaj sekund posnetka.

FunkcijaModelJezikiZakasnitev
Prepis (STT serijsko)Voxtral Mini Transcribe V213 jezikovNekaj sekund na datoteko
Prepis v realnem času (STT)Voxtral Realtime13 jezikovPod 200 ms
Besedilo v govor (TTS)Voxtral TTS9+ jezikov~90 ms (model)

Govor v besedilo: Od glasu do teksta

Zvočni prepis je zmožnost pretvorbe glasovnega posnetka v zapisano besedilo, pri čemer se Voxtral Mini Transcribe izkazuje na več področjih. Najprej njegova natančnost: stopnja napak pri besedah ostaja nizka, tudi pri posnetkih srednje kakovosti – takšnih, kot jih zajame telefon, ki leži na sredini konferenčne mize. Prav tako izvaja diarizacijo, kar pomeni, da samodejno prepozna različne govorce v pogovoru: prepis razlikuje med „Govorcem 1” in „Govorcem 2”, kar popolnoma spremeni zapisnike sestankov. Njegova odpornost na hrup omogoča ohranjanje dobre natančnosti v težavnih okoljih – kavarnah, na ulici, na sestankih z več govorci. Nazadnje obvlada dolge posnetke, do 3 ure zvoka v enem samem zahtevku, kar zadostuje za pokrivanje celotne konference.

Kar zadeva jezike, podprtih je 13: angleščina, francoščina, španščina, nemščina, italijanščina, portugalščina, nizozemščina, kitajščina, hindujščina, arabščina, ruščina, japonščina in korejščina. Za običajne evropske primere uporabe ste dobro pokriti.

Besedilo v govor: Od teksta do glasu

Pretvorba besedila v govor deluje v nasprotni smeri: vnesete besedilo in Voxtral TTS ga prebere z naravnim glasom. Njegova najbolj spektakularna lastnost je kloniranje glasu: že na podlagi 2 do 3 sekund vašega glasovnega posnetka lahko model ustvari govor, ki zveni kot vi. To kloniranje temelji na načelu glas kot navodilo: model reproducira intonacijo, ritem in čustva referenčnega vzorca glasu, ne da bi bilo treba besedilo označevati s prozodijskimi oznakami – sam vzorec služi kot navodilo.

Model je večjezičen – angleščina, francoščina, španščina, portugalščina, italijanščina, nizozemščina, nemščina, hindujščina, arabščina – in lahko celo meša jezike znotraj enega samega odlomka. Nazadnje deluje v pretočnem načinu: ustvarjanje glasu se začne v približno 90 milisekundah, kar omogoča skoraj takojšnje interakcije namesto čakanja med vašim vprašanjem in govornim odgovorom.

Kako se zvok uporablja v Vibeu?

Konkretno se vam kot uporabniku Vibea te zmožnosti prevedejo v štiri vsakdanja dejanja. Sestanek lahko prepišete: naložite posnetek in v nekaj sekundah prejmete besedilni povzetek. Govorite lahko z glasom z aktivacijo glasovnega načina, kar omogoča naraven pogovor brez tipkovnice. Odgovore lahko poslušate tako, da zaprosite Vibe, naj svoje besedilo prebere na glas – kar je priročno med hojo ali kuhanjem. In svoje sporočila lahko narekujete, torej govorite namesto tipkanja.

V naslednjih lekcijah bomo korak za korakom podrobneje opisali vsako od teh uporab: najprej prepis datotek, nato glasovni način v realnem času in nazadnje sintezo besedila v govor.

Ključne ugotovitve

  • Voxtral je družina zvočnih modelov podjetja Mistral, ki pokriva prepis, obdelavo v realnem času in pretvorbo besedila v govor
  • Prepis podpira 13 jezikov, diarizacijo in do 3 ure zvoka
  • Pretvorba besedila v govor lahko v nekaj sekundah klonira glas in govori v več kot 9 jezikih
  • V Vibeu je vse integrirano: prepisujete, govorite in poslušate brez zunanjih orodij