Introduktion till Mistrals ljudfunktioner
På denna sida
Uppdatering 2 november 2026 — Le Chat är nu Vibe. Sedan den 28 maj 2026 har Le Chat bytt namn till Vibe (fortfarande på chat.mistral.ai): en enda agent för arbete och kod som behåller dina konversationer, inställningar och prenumerationer. Den äldre versionen av Le Chat finns fortfarande tillgänglig i läget Chat; i läget Work har agenter blivit färdigheter (anropas med
@), minnen har blivit kunskapsbasen och djupgående research är färdigheten Deep Research. Abonnemangen heter nu Mistral Free, Pro, Team och Enterprise. I denna lektion använder vi namnet Vibe; notera att vissa menyer som beskrivs här kan ha bytt namn eller plats.
När AI lär sig lyssna och tala
Efter synen representerar ljudet Mistrals andra stora multimodala revolution. Med modellfamiljen Voxtral kan Vibe inte längre bara läsa och skriva text – nu kan den även transkribera tal, deltaga i röstkonversationer och generera tal från text. Kort sagt är loopen sluten: AI:n lyssnar på dig, förstår dig och svarar dig högt. Denna lektion introducerar alla dessa funktioner innan kommande lektioner går igenom dem en efter en.
Familjen Voxtral
Mistral har utvecklat en omfattande svit av ljudmodeller under varumärket Voxtral, där varje modell fyller en specifik roll i ljudpipelinen. Voxtral Mini Transcribe är modellen för batch-transkribering (tal-till-text): du ger den en ljudfil och den returnerar skriven text med anmärkningsvärd noggrannhet – detta är modellen som arbetar när du laddar upp en inspelning av ett möte. Voxtral Realtime är dess realtidsmotsvarighet: designad för röstkonversationer transkriberar den tal medan det sker med ultralåg latens, konfigurerbar under 200 millisekunder – detta är vad som gör Vibes flytande röstläge möjligt. Slutligen går Voxtral TTS åt andra hållet: syntes av text-till-tal omvandlar text till naturlig röst, med förmågan att klona en röst från bara några få sekunders inspelning.
| Funktion | Modell | Språk | Latens |
|---|---|---|---|
| Transkribering (STT batch) | Voxtral Mini Transcribe V2 | 13 språk | Några sekunder per fil |
| Realtidstranskribering (STT) | Voxtral Realtime | 13 språk | Under 200 ms |
| Text-till-tal (TTS) | Voxtral TTS | 9+ språk | ~90 ms (modell) |
Tal-till-text: Från röst till text
Ljudtranskribering är förmågan att omvandla en röstinspelning till skriven text, och Voxtral Mini Transcribe utmärker sig på flera fronter. Först och främst noggrannheten: ordfelsfrekvensen hålls låg, även vid inspelningar av medelkvalitet – den typ av fil som fångas av en telefon som ligger mitt på ett konferensbord. Den utför också diarisering, vilket innebär att den automatiskt identifierar olika talare i en konversation: transkriberingen skiljer på “Talare 1” och “Talare 2”, vilket förändrar allt för mötesanteckningar. Dess brusrobusthet gör att den behåller god noggrannhet i svåra miljöer – kaféer, gator, möten med flera röster. Slutligen hanterar den långa inspelningar, upp till 3 timmars ljud i en enda begäran, vilket räcker för att täcka en hel konferens.
När det gäller språk stöds 13 stycken: engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, hindi, arabiska, ryska, japanska och koreanska. För vanliga europeiska användningsfall är du väl täckt.
Text-till-tal: Från text till röst
Text-till-tal fungerar åt motsatt håll: du tillhandahåller text och Voxtral TTS läser upp den med en naturlig röst. Dess mest spektakulära funktion är röstkloning: från bara 2 till 3 sekunders inspelning av din röst kan modellen generera tal som låter som du. Denna kloning bygger på principen röst-som-en-instruktion: modellen reproducerar intonation, rytm och känsla från referensröstprovet utan att behöva annotera texten med prosoditaggar – själva provet fungerar som instruktion.
Modellen är flerspråkig – engelska, franska, spanska, portugisiska, italienska, nederländska, tyska, hindi, arabiska – och kan till och med blanda språk inom ett enda stycke. Slutligen arbetar den i strömningsläge: röstgenereringen startar på cirka 90 millisekunder, vilket möjliggör nästan omedelbara interaktioner istället för att vänta mellan din fråga och det talade svaret.
Vad används ljud till i Vibe?
Konkret, som användare av Vibe, översätts dessa funktioner till fyra vardagliga handlingar. Du kan transkribera ett möte: ladda upp inspelningen och få en textsammanfattning på några sekunder. Du kan prata med röst genom att aktivera röstläget, för en naturlig konversation utan tangentbord. Du kan lyssna på svar genom att be Vibe läsa upp sin text – praktiskt när du promenerar eller lagar mat. Och du kan diktera dina meddelanden, genom att tala istället för att skriva.
I de följande lektionerna kommer vi att gå igenom vart och ett av dessa användningsområden steg för steg: först filtranskribering, sedan röstläge i realtid och slutligen syntes av text-till-tal.
Viktiga punkter
- Voxtral är Mistrals familj av ljudmodeller, som täcker transkribering, realtidsbearbetning och text-till-tal
- Transkribering stöder 13 språk, diarisering och upp till 3 timmars ljud
- Text-till-tal kan klona en röst på några sekunder och tala på 9+ språk
- I Vibe är allt integrerat: du kan transkribera, tala och lyssna utan externa verktyg