Voxtral-modeller til transskription
På denne side
Kurset opdateret 3. november 2026 til Voxtral 3, baseret på Mistrals guide Migrate from Voxtral 2: Voxtral 2-modellerne (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), der blev udfaset 31. oktober 2026 og trukket tilbage 30. april 2027, erstattes i eksemplerne afvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3ogvoxtral-mini-tts-3-0. Vigtige ændringer: Tidsstempling kun pr. segment (wordgiver en 400-fejl), diarisering mulig i realtid, indstillinger for realtidssession låses efter første lydbid, og frit formateredecontext_bias-input (sætninger med mellemrum). Kilder: Migrate from Voxtral 2 · Speech to Text.
Fire modeller, tre anvendelsestilfælde
Mistral AI tilbyder flere Voxtral-modeller til talebehandling, hver optimeret til en specifik opgave: to til filer, én til realtid og én til at stille spørgsmål om lyd. Valget af den rigtige model er ikke blot en konfigurationsdetalje; det afgør, hvad du kan gøre bagefter – tidsstempling, talegenkendelse, streaming-svar. Træf denne beslutning først, før du skriver en eneste linje kode.
Voxtral Mini Transcribe 3 – filtransskription
Dette er standardmodellen til offline-transskription: Du sender den en komplet optagelse, og den returnerer den transskriberede tekst. Dens API-identifikator er voxtral-mini-transcribe-3 (et alias for voxtral-mini-transcribe-3-0).
Den understøtter alle offline-funktioner: Diarisering identificerer talere med tidsstempling på segmentniveau (tidsstempling på ordniveau findes ikke længere i Voxtral 3), kontekstbias injicerer domænespecifikt ordforråd, og svar kan streames. Den dækker 50 sprog og koster $0,0035 per minut lyd pr. 3. november 2026.
I praksis skal du vælge denne model, når lyden allerede eksisterer som en fil: mødeoptagelser, podcasts, interviews, forelæsninger eller medicinsk og juridisk transskription.
Minimalt kaldseksempel
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("meeting.mp3", "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": "meeting.mp3"}
)
print(response.text)
Voxtral Small Transcribe 3 – når præcision er afgørende
voxtral-small-transcribe-3 er større og mere nøjagtig og fungerer på samme måde. Mistral anbefaler at starte med Mini-modellen og kun skifte til Small, hvis fejl fortsætter trods brug af tilpasset ordforråd. Den koster $0,004 per minut.
Voxtral Mini Transcribe Realtime 3 – realtidstransskription
Denne model er designet til streaming-transskription. Dens API-identifikator er voxtral-mini-transcribe-realtime-3.
Dens latenstid kan justeres fra 80 ms til 1,2 sekunder eller 2,4 sekunder (target_streaming_delay_ms): Arkitekturen transskriberer, efterhånden som lyden ankommer, i stedet for at vente på slutningen af en sætning. Den dækker 45 sprog og dialekter, registrerer slutningen på en tale og kan nu skelne mellem talere – men ikke begge dele i samme session. Dens segmenter indeholder talermærker, men ingen start- eller sluttidspunkter. Den koster $0,008 per minut. Brug den til live-undertekster, voice assistants, diktering eller til at transskribere en konference, mens den finder sted.
Minimalt kaldseksempel
from mistralai.client import Mistral
from mistralai.client.models import AudioFormat
client = Mistral(api_key="YOUR_API_KEY")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=my_audio_stream,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
):
print(event.text, end="", flush=True)
Den tidligere generation, voxtral-mini-transcribe-realtime-2602 (4 milliarder parametre), forbliver tilgængelig som open weights under Apache 2.0-licensen til selvhosting på dine egne maskiner.
Voxtral Small – multimodal lydchat
Den tredje model skifter kategori. Voxtral Small, identifikator voxtral-small-latest – som stadig er en generation 2-model ved lanceringen af Voxtral 3 ifølge dokumentationen – er ikke en ren transskriberingsmodel, men en konversationsmodel, der kan forstå lyd. Den accepterer en lydfil som input i en chatsamtale og besvarer dine spørgsmål om dens indhold ved at kombinere lydforståelse med tekstgenerering.
Denne forskel viser sig i koden: Den bruger endpointet /chat/completions, ikke /audio/transcriptions. Du spørger ikke „transskribér denne fil”, men snarere „opsummer denne samtale”, „hvilket budget blev nævnt” eller „udtrykte kunden en klage”.
Kaldseksempel
import base64
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("audio.mp3", "rb") as f:
audio_base64 = base64.b64encode(f.read()).decode("utf-8")
response = client.chat.complete(
model="voxtral-small-latest",
messages=[{
"role": "user",
"content": [
{"type": "input_audio", "input_audio": audio_base64},
{"type": "text", "text": "Summarize this conversation in 3 key points."}
]
}]
)
print(response.choices[0].message.content)
Vælg på ét minut
Når du står over for et nyt projekt, så spørg dig selv om det dominerende behov frem for de tilgængelige funktioner. Tabellen nedenfor opsummerer de mest almindelige scenarier.
| Dit behov | Anbefalet model |
|---|---|
| En optaget lydfil, tekstoutput | Voxtral Mini Transcribe 3 |
| Samme som ovenfor, med fejl der fortsætter trods tilpasset ordforråd | Voxtral Small Transcribe 3 |
| Identificer talere med tidsstempel for hvert segment | Voxtral Mini eller Small Transcribe 3 (offline) |
| Transskribér live (mikrofon, lydstream) | Voxtral Mini Transcribe Realtime 3 |
| Stil spørgsmål om lyd | Voxtral Small (chat) |
| Self-host modellen | Generation 2 Voxtral Realtime, open weights |
En almindelig fejl er at vælge realtidsmodellen, fordi den virker mere moderne, for sent i projektet at opdage, at den forventede rapport kræver datering af hvert indlæg: I realtid indeholder segmenterne taleren, men ikke tiden. Hvis dit leverance skal angive „hvem sagde hvad, og hvornår”, er offline-tilstanden stadig det rigtige valg.
Vigtige pointer
- Voxtral Mini Transcribe 3: Filtransskription med diarisering, kontekstbias og tidsstempling på segmentniveau
- Voxtral Small Transcribe 3: Samme funktioner, højere præcision når tilpasset ordforråd ikke er nok
- Voxtral Mini Transcribe Realtime 3: Streaming med justerbar latenstid fra 80 ms, registrering af taleskift, diarisering uden tidsstempling
- Voxtral Small: Lydchat til at forstå og analysere indholdet af optagelser
- 50 sprog til filer, 45 til realtid, herunder fransk