Voxtral Transcribe 2: как ИИ превращает интервью в текст и субтитры

Что произошло

4 февраля Mistral представила Voxtral Transcribe 2: вариант для обработки записей и модель для потокового распознавания. В описании указаны временные отметки, разделение по говорящим и 13 языков, включая русский. Для Voxtral Realtime опубликованы открытые веса под Apache 2.0. Есть существенная оговорка: когда люди говорят одновременно, система обычно расшифровывает одного из них. Поэтому автоматическая расшифровка остаётся черновиком, особенно в споре или групповой беседе.

Первоисточник: Mistral AI · Voxtral Transcribe 2 ↗

Зачем нужны отметки времени

Если текст содержит только сплошной абзац, проверка цитаты превращается в поиск по всей записи. Отметки позволяют вернуться к нужному месту и услышать контекст. Разделение по говорящим помогает не приписать ответ интервьюеру вместо гостя. Но метка «говорящий 1» сама по себе не устанавливает личность: соответствие имени и дорожки всё равно нужно проверить по записи.

Расшифровка, конспект и цитата — не одно и то же

Расшифровка стремится передать сказанное. Конспект сокращает и группирует мысли. Публикуемая цитата требует особенно аккуратного сохранения смысла. Не просите сразу «сделай красивое интервью» и не вставляйте результат как дословную речь. Сначала сохраните проверенную расшифровку, затем отдельно попросите предложить структуру материала. Это позволит видеть, где источник, а где редакционная обработка.

Что учитывать

Шум, перебивания, имена и профессиональные термины повышают риск ошибок. Не публикуйте автоматически распознанные обвинения, суммы или обещания без сверки с записью. Учитывайте согласие участников и условия передачи аудио сервису.