Izbira med načinoma: brez povezave ali v realnem času
Na tej strani
Tečaj posodobljen 3. novembra 2026 za Voxtral 3, na podlagi Mistralovega vodnika Migrate from Voxtral 2: modeli Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603, zastareli 31. oktobra 2026 in umaknjeni 30. aprila 2027) so v primerih nadomeščeni z modelivoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3invoxtral-mini-tts-3-0. Ključne spremembe: časovni žigi so samo na ravni segmentov (wordvrne napako 400), določanje govorcev je mogoče v realnem času, nastavitve seje v realnem času so fiksne po prvem zvočnem delčku, vnosicontext_biaspa so prosto oblikovani (dovoljeni so izrazi s presledki). Viri: Migrate from Voxtral 2 · Speech to Text.
Dva načina, dve filozofiji
Voxtral ponuja dva pristopa k prepisu, ki se ne razlikujeta po kakovosti, temveč po naravi. Izbira med njima ni podrobnost izvedbe, ki bi jo prilagodil šele na koncu projekta. Določa razpoložljive funkcije, način pisanja kode, nastale stroške in uporabniško izkušnjo, ki jo ponudiš. To poglavje ti daje dejstva za pravilno odločitev, doslednost pri njej in celo kombinacijo obeh načinov, kadar je to smiselno.
Celovita primerjava
| Merilo | Brez povezave (serijsko) | V realnem času (pretakanje) |
|---|---|---|
| Model | Voxtral Mini (ali Small) Transcribe 3 | Voxtral Mini Transcribe Realtime 3 |
| Zakasnitev | Sekunde do minute (odvisno od trajanja) | Konfigurabilna zakasnitev od 80 ms do 1,2 s ali 2,4 s |
| Omejitev zvoka | Kontekstno okno, deljeno z context_bias | Neprekinjena seja |
| Določanje govorcev | Da, s časovnimi žigi segmentov | Da, brez časovnih žigov; ni na voljo pri zaznavi konca govora |
| Prilagajanje konteksta | Da (seznam izrazov, dovoljeni izrazi) | Da, v konfiguraciji seje |
| Časovni žigi | Na segment (ni na ravni besed) | Ne |
| Zaznava konca govora | Ne | Da |
| Zvočni formati | Običajni datotečni formati | 16-bitni mono PCM (privzeto 16 kHz) |
| Jeziki | 50 | 45 jezikov in narečij |
| Cena na dan 3. novembra 2026 | 0,0035 $/min (Mini), 0,004 $/min (Small) | 0,008 $/min |
| Programiranje | Sinhrono (preprosto) | Asinhrono (async/await) |
| Primarna uporaba | Posnete datoteke | Živi zvok |
Pozoren pogled na to tabelo razkrije, kaj resnično ločuje oba načina. Način brez povezave je edini, ki vsakemu segmentu dodeli časovni žig, saj pred odgovorom „vidi” celoten zvok. Način v realnem času je edini, ki zazna konec govornega obrata in vrne besedilo, medtem ko nekdo še govori. Ne izbiraš med polno in olajšano različico. Izbiraš med dvema načinoma strežbe uporabniku: po dogodku ali v trenutku dogajanja.
Kako izbrati
Način brez povezave je jasna izbira vedno, ko obdeluješ zvočne datoteke, ki že obstajajo – arhivirana srečanja, podkasti, intervjuji – saj je zvok popoln in ni koristi od umetnega razrezovanja. Je tvoja edina možnost, če moraš identificirati govorce, saj določanje govorcev pri pretakanju ni mogoče. Prava izbira je tudi, če tvoje področje zahteva specializiran besednjak, ki ga mora voditi prilagajanje konteksta, ali če potrebuješ natančne časovne žige za podnaslavljanje videoposnetkov v postprodukciji. Nazadnje, prihrani ti predhodno pretvorbo, ko viri prispejo v različnih formatih, in postane očitna izbira, ko zakasnitev ni kritična: odložena obdelava, nočne serije, arhivski procesi.
Način v realnem času postane nujen, ko zvok prihaja neprekinjeno, z mikrofona ali omrežnega toka, kar pomeni, da ni datoteke za pošiljanje. Obvezen je, ko morajo biti rezultati na voljo v manj kot sekundi, kot pri glasovnem pomočniku, orodju za diktiranje ali live podnaslavljanju na konferenci ali webinarju. Dva druga strateška razloga lahko vodita izbiro ne glede na zakasnitev: namestitev v lastnem okolju ali na robu omrežja, kar omogočajo odprte uteži, in zahteve po suverenosti, ko podatki ne smejo zapustiti tvoje infrastrukture.
Obstaja tretja pot, ki je pogosto najboljša: kombinacija obeh. Konferenco podnasloviš v realnem času, nato pa posnetek ponovno obdelaš brez povezave, da ustvariš čiste podnapise s časovnimi žigi. Med sestankom prikažeš živi prepis, nato pa zaženeš offline obdelavo z določanjem govorcev, da vsak izrek pripišeš pravemu govorcu. Diktiraš v realnem času, nato pa datoteko ponovno obdelaš brez povezave za pregled in popravke. Realni čas služi trenutku; način brez povezave služi dokumentu.
Stroški vsakega načina
Oba načina ne delita iste cenovne strukture. Od aprila 2026 Mistral AI zaračunava glede na trajanje obdelanega zvoka. Način brez povezave je na minuto običajno cenejši, ker je serijska obdelava optimizirana, medtem ko način v realnem času nosi pribitek zaradi stalne povezave WebSocket in neprekinjene obdelave.
Tri navade znižajo stroške brez žrtvovanja kakovosti. V načinu brez povezave združuj datoteke v serije, da omejiš število zahtev API. V načinu v realnem času zapri povezavo takoj, ko govor utihne, namesto da bi jo pustil odprto „za vsak slučaj”: pozabljena seja porablja vire, ne da bi proizvedla izhod. Najpomembneje, vedno se vprašaj, ali je obdelava v živo res potrebna – če realni čas uporabniku ne prinaša vrednosti, je način brez povezave tako cenejši kot tudi bogatejši s funkcijami.
Hibridni proces: od živega prenosa do poročila
Spodnja koda prikazuje hibridni vzorec v njegovi najpogostejši obliki: srečanje. Med sejo tok v realnem času napaja zaslon: udeleženci vidijo drseče besedilo, nihče ne čaka. Ko se srečanje konča, se isti zvok, ki je zdaj na voljo kot popolna datoteka, ponovno obdela brez povezave z nastavitvijo diarize=True in časovnimi žigi na ravni segmentov, kar proizvede poročilo, ki vsak izrek pripiše govorcu. Oba klica si ne konkurirata; dopolnjujeta se. Prvi služi neposrednosti, drugi sledljivosti.
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. Prepis v realnem času za takojšnji prikaz
2. Prepis brez povezave za končno poročilo z določanjem govorcev
"""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Faza 1: Realni čas (med sestankom)
print("=== ŽIVI 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
# Faza 2: Brez povezave (po sestanku)
print("\n\n=== PODROBNA ANALIZA ===\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
Upoštevaj praktično omejitev, ki jo ta vzorec nalaga: zvok moraš snemati vzporedno s pretakanjem, saj delčki, ki jih porabi tok v realnem času, niso shranjeni. Na to zapisovanje na disk pomisli že na začetku, sicer faza brez povezave ne bo imela kaj obdelati.
Ključne ugotovitve
- Način brez povezave odlično deluje za posnete datoteke z določanjem govorcev in časovnimi žigi
- Način v realnem času odlično deluje za živi zvok z ultra-nizko zakasnitvijo
- Obna načina lahko združiš v hibridnem procesu
- Način brez povezave je bogatejši s funkcijami (določanje govorcev, prilagajanje konteksta, časovni žigi)
- Način v realnem času je prilagodljivejši za namestitev (odprte uteži, rob omrežja)
- Izbiraj glede na vir zvoka (datoteka proti živemu prenosu) in zahtevane funkcije