Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Voxtral-Modelle für Transkription

Lektion 2 von 16 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Vier Modelle, drei Anwendungsfälle
  2. Voxtral Mini Transcribe 3 — Dateitranskription
  3. Voxtral Small Transcribe 3 — wenn Präzision zählt
  4. Voxtral Mini Transcribe Realtime 3 — Echtzeit-Transkription
  5. Voxtral Small — multimodaler Audio-Chat
  6. Wählen Sie in einer Minute
  7. Kernaussagen

Kurs aktualisiert am 3. November 2026 für Voxtral 3, basierend auf Mistral’s Migrate from Voxtral 2-Guide: Die Voxtral-2-Modelle (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), die am 31. Oktober 2026 deprecated und am 30. April 2027 eingestellt wurden, werden in den Beispielen durch voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 und voxtral-mini-tts-3-0 ersetzt. Wesentliche Änderungen: Zeitstempelung nur auf Segmentebene (word gibt einen 400-Fehler zurück), Diarisierung in Echtzeit möglich, Echtzeit-Sitzungseinstellungen werden nach dem ersten Audio-Chunk gesperrt und freie context_bias-Eingaben (Phrasen mit Leerzeichen). Quellen: Migrate from Voxtral 2 · Speech to Text.

Vier Modelle, drei Anwendungsfälle

Mistral AI bietet mehrere Voxtral-Modelle für die Sprachverarbeitung an, die jeweils für eine spezifische Aufgabe optimiert sind: zwei für Dateien, eines für Echtzeit und eines für Fragen zum Audio. Die Wahl des richtigen Modells ist kein Konfigurationsdetail; sie bestimmt, was Sie als Nächstes tun können – Zeitstempelung, Sprechererkennung, Streaming-Antworten. Treffen Sie diese Entscheidung zuerst, bevor Sie eine einzige Zeile Code schreiben.

Voxtral Mini Transcribe 3 — Dateitranskription

Dies ist das Standardmodell für offline Transkription: Sie senden ihm eine vollständige Aufnahme, und es gibt den transkribierten Text zurück. Sein API-Identifier ist voxtral-mini-transcribe-3 (ein Alias für voxtral-mini-transcribe-3-0).

Es unterstützt alle Offline-Funktionen: Diarisierung identifiziert Sprecher mit Segment-Level-Zeitstempelung (Wort-Level-Zeitstempelung existiert in Voxtral 3 nicht mehr), Kontext-Biasing injiziert domänenspezifisches Vokabular, und Antworten können gestreamt werden. Es deckt 50 Sprachen ab und kostet ab dem 3. November 2026 0,0035 USD pro Minute Audio.

In der Praxis wählen Sie dieses Modell, sobald das Audio bereits als Datei existiert: Aufnahmeanalysen von Meetings, Podcasts, Interviews, Vorträgen oder medizinischen und juristischen Transkripten.

Minimales Aufrufbeispiel

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 — wenn Präzision zählt

Größer und genauer arbeitet voxtral-small-transcribe-3 auf dieselbe Weise. Mistral empfiehlt, mit dem Mini-Modell zu beginnen und nur dann auf Small umzusteigen, wenn Fehler trotz Verwendung eines benutzerdefinierten Vokabulars bestehen bleiben. Es kostet 0,004 USD pro Minute.

Voxtral Mini Transcribe Realtime 3 — Echtzeit-Transkription

Dieses Modell ist für Streaming-Transkription konzipiert. Sein API-Identifier ist voxtral-mini-transcribe-realtime-3.

Seine Latenz ist einstellbar von 80 ms bis 1,2 Sekunden oder 2,4 Sekunden (target_streaming_delay_ms): Die Architektur transkribiert, während das Audio eingeht, anstatt auf das Ende eines Satzes zu warten. Es deckt 45 Sprachen und Dialekte ab, erkennt Gesprächsenden und kann Sprecher unterscheiden – jedoch nicht beide in derselben Sitzung. Seine Segmente enthalten Sprecherlabels, aber keine Start- oder Endzeiten. Es kostet 0,008 USD pro Minute. Nutzen Sie es für Live-Untertitel, Sprachassistenten, Diktiergeräte oder die Transkription eines Konferenzen, während sie stattfindet.

Minimales Aufrufbeispiel

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)

Die vorherige Generation, voxtral-mini-transcribe-realtime-2602 (4 Milliarden Parameter), bleibt als offene Gewichte unter der Apache 2.0-Lizenz für das Selbsthosting auf Ihren eigenen Maschinen verfügbar.

Voxtral Small — multimodaler Audio-Chat

Das dritte Modell ändert die Kategorie. Voxtral Small, Identifier voxtral-small-latest – laut Dokumentation immer noch ein Modell der Generation 2 zum Start von Voxtral 3 – ist kein reiner Transkriptionsassistent, sondern ein konversationelles Modell, das Audio verstehen kann. Es akzeptiert eine Audiodatei als Eingabe in einem Chat und beantwortet Ihre Fragen zum Inhalt, indem es das Audio-Verständnis mit Textgenerierung kombiniert.

Dieser Unterschied zeigt sich im Code: Es nutzt den Endpunkt /chat/completions, nicht /audio/transcriptions. Sie werden es nicht fragen, „transkribiere diese Datei”, sondern eher „fasse dieses Gespräch in drei Schlüsselpunkten zusammen”, „welches Budget wurde erwähnt” oder „hat der Kunde eine Beschwerde geäußert”.

Aufrufbeispiel

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)

Wählen Sie in einer Minute

Wenn Sie einem neuen Projekt gegenüberstehen, fragen Sie sich nach der dominierenden Notwendigkeit, nicht nach den verfügbaren Funktionen. Die folgende Tabelle fasst die häufigsten Szenarien zusammen.

Ihre NotwendigkeitEmpfohlenes Modell
Eine aufgezeichnete Audiodatei, TextausgabeVoxtral Mini Transcribe 3
Wie oben, aber mit anhaltenden Fehlern trotz benutzerdefinierten VokabularsVoxtral Small Transcribe 3
Sprecher identifizieren mit Zeitstempel für jedes SegmentVoxtral Mini oder Small Transcribe 3 (offline)
Live transkribieren (Mikrofon, Audio-Stream)Voxtral Mini Transcribe Realtime 3
Fragen zum Audio stellenVoxtral Small (Chat)
Modell selbst hostenVoxtral Realtime der Generation 2, offene Gewichte

Ein häufiger Fehler besteht darin, das Echtzeit-Modell zu wählen, weil es moderner erscheint, nur um später im Projekt zu entdecken, dass der erwartete Bericht jede Intervention datieren muss: In Echtzeit enthalten die Segmente den Sprecher, aber nicht die Zeit. Wenn Ihr Deliverable feststellen muss, „wer was und wann gesagt hat”, bleibt der Offline-Modus die richtige Wahl.

Kernaussagen

  • Voxtral Mini Transcribe 3: Dateitranskription mit Diarisierung, Kontext-Biasing und Segment-Level-Zeitstempelung
  • Voxtral Small Transcribe 3: Gleiche Fähigkeiten, höhere Präzision, wenn ein benutzerdefiniertes Vokabular nicht ausreicht
  • Voxtral Mini Transcribe Realtime 3: Streaming mit einstellbarer Latenz ab 80 ms, Erkennung von Gesprächsenden, Diarisierung ohne Zeitstempelung
  • Voxtral Small: Audio-Chat zum Verständnis und zur Analyse von Aufnahmeinhalten
  • 50 Sprachen für Dateien, 45 für Echtzeit, einschließlich Französisch