Μοντέλα Voxtral για Απομαγνητοφώνηση
Σε αυτήν τη σελίδα
Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 για το Voxtral 3, βάσει του οδηγού Migrate from Voxtral 2 της Mistral: Τα μοντέλα Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), τα οποία απεσύρθησαν στις 31 Οκτωβρίου 2026 και θα καταργηθούν οριστικά στις 30 Απριλίου 2027, αντικαθίστανται στα παραδείγματα από ταvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3καιvoxtral-mini-tts-3-0. Βασικές αλλαγές: χρονική σήμανση μόνο ανά τμήμα (τοwordεπιστρέφει σφάλμα 400), δυνατότητα διαχωρισμού ομιλητών σε πραγματικό χρόνο, οι ρυθμίσεις συνεδρίας πραγματικού χρόνου κλειδώνουν μετά το πρώτο κομμάτι ήχου και είσοδοιcontext_biasελεύθερης μορφής (φράσεις με κενά). Πηγές: Migrate from Voxtral 2 · Speech to Text.
Τέσσερα μοντέλα, τρεις περιπτώσεις χρήσης
Η Mistral AI προσφέρει πολλά μοντέλα Voxtral για επεξεργασία ομιλίας, το καθένα βελτιστοποιημένο για μια συγκεκριμένη εργασία: δύο για αρχεία, ένα για πραγματικό χρόνο και ένα για ερωτήσεις σχετικά με τον ήχο. Η επιλογή του σωστού μοντέλου δεν είναι λεπτομέρεια διαμόρφωσης· καθορίζει τι μπορείτε να κάνετε στη συνέχεια—χρονική σήμανση, ανίχνευση αλλαγής ομιλητή, ροή απαντήσεων. Πάρτε αυτή την απόφαση πρώτα, πριν γράψετε ούτε μία γραμμή κώδικα.
Voxtral Mini Transcribe 3 — Απομαγνητοφώνηση αρχείου
Αυτό είναι το προεπιλεγμένο μοντέλο για απομαγνητοφώνηση εκτός σύνδεσης: του στέλνετε μια πλήρη ηχογράφηση και αυτό επιστρέφει το απομαγνητοφωνημένο κείμενο. Το αναγνωριστικό API του είναι voxtral-mini-transcribe-3 (ένα ψευδώνυμο για το voxtral-mini-transcribe-3-0).
Υποστηρίζει όλες τις λειτουργίες εκτός σύνδεσης: η διαχωρισμός ομιλητών (diarization) αναγνωρίζει τους ομιλητές με χρονική σήμανση επιπέδου τμήματος (η χρονική σήμανση επιπέδου λέξης δεν υπάρχει πλέον στο Voxtral 3), η προσαρμογή συμφραζομένων (context biasing) εισάγει λεξιλόγιο ειδικό για τον τομέα και οι απαντήσεις μπορούν να μεταδίδονται ροϊκά (stream). Καλύπτει 50 γλώσσες και κοστίζει 0,0035 $ ανά λεπτό ήχου από τις 3 Νοεμβρίου 2026.
Πρακτικά, επιλέξτε αυτό το μοντέλο όποτε ο ήχος υπάρχει ήδη ως αρχείο: ηχογραφήσεις συσκέψεων, podcasts, συνεντεύξεις, διαλέξεις ή ιατρικές και νομικές απομαγνητοφωνήσεις.
Παράδειγμα ελάχιστης κλήσης
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 — όταν η ακρίβεια μετράει
Μεγαλύτερο και πιο ακριβές, το voxtral-small-transcribe-3 λειτουργεί με τον ίδιο τρόπο. Η Mistral συνιστά να ξεκινάτε με το μοντέλο Mini και να μεταβαίνετε στο Small μόνο εάν τα σφάλματα επιμένουν παρά τη χρήση προσαρμοσμένου λεξιλογίου. Κοστίζει 0,004 $ ανά λεπτό.
Voxtral Mini Transcribe Realtime 3 — Απομαγνητοφώνηση σε πραγματικό χρόνο
Αυτό το μοντέλο έχει σχεδιαστεί για απομαγνητοφώνηση ροής (streaming). Το αναγνωριστικό API του είναι voxtral-mini-transcribe-realtime-3.
Η καθυστέρησή του είναι ρυθμιζόμενη από 80 ms έως 1,2 δευτερόλεπτα, ή 2,4 δευτερόλεπτα (target_streaming_delay_ms): η αρχιτεκτονική απομαγνητοφωνεί καθώς φτάνει ο ήχος αντί να περιμένει το τέλος μιας πρότασης. Καλύπτει 45 γλώσσες και διαλέκτους, ανιχνεύει το τέλος της στροφής ομιλίας και πλέον μπορεί να διακρίνει τους ομιλητές—αλλά όχι και τα δύο στην ίδια συνεδρία. Τα τμήματά του περιλαμβάνουν ετικέτες ομιλητών αλλά όχι χρόνους έναρξης ή λήξης. Κοστίζει 0,008 $ ανά λεπτό. Χρησιμοποιήστε το για υπότιτλους σε ζωντανή μετάδοση, φωνητικούς βοηθούς, υπαγόρευση ή απομαγνητοφώνηση ενός συνεδρίου καθώς εξελίσσεται.
Παράδειγμα ελάχιστης κλήσης
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)
Η προηγούμενη γενιά, voxtral-mini-transcribe-realtime-2602 (4 δισεκατομμύρια παράμετροι), παραμένει διαθέσιμη ως ανοιχτά βάρη (open weights) υπό την άδεια Apache 2.0 για αυτο-φιλοξενία στους δικούς σας υπολογιστές.
Voxtral Small — Πολυτροπική συνομιλία ήχου
Το τρίτο μοντέλο αλλάζει κατηγορία. Το Voxtral Small, με αναγνωριστικό voxtral-small-latest—που παραμένει μοντέλο γενιάς 2 κατά την κυκλοφορία του Voxtral 3, σύμφωνα με την τεκμηρίωση—δεν είναι καθαρός απομαγνητοφωνητής αλλά ένα συνομιλιακό μοντέλο ικανό να κατανοεί τον ήχο. Δέχεται ένα αρχείο ήχου ως είσοδο σε μια συνομιλία chat και απαντά στις ερωτήσεις σας σχετικά με το περιεχόμενό του, συνδυάζοντας την κατανόηση ήχου με τη δημιουργία κειμένου.
Αυτή η διαφορά φαίνεται στον κώδικα: χρησιμοποιεί το endpoint /chat/completions, όχι το /audio/transcriptions. Δεν θα του ζητήσετε «απομαγνητοφώνησε αυτό το αρχείο» αλλά μάλλον «συνοψίστε αυτή τη συνομιλία», «ποιος προϋπολογισμός αναφέρθηκε» ή «εξέφρασε ο πελάτης παράπονο».
Παράδειγμα κλήσης
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)
Επιλέξτε σε ένα λεπτό
Όταν αντιμετωπίζετε ένα νέο έργο, ρωτήστε τον εαυτό σας για την κυρίαρχη ανάγκη και όχι για τις διαθέσιμες λειτουργίες. Ο παρακάτω πίνακας συνοψίζει τα πιο κοινά σενάρια.
| Η ανάγκη σας | Προτεινόμενο μοντέλο |
|---|---|
| Ηχογραφημένο αρχείο ήχου, έξοδος κειμένου | Voxtral Mini Transcribe 3 |
| Όπως παραπάνω, με σφάλματα που επιμένουν παρά το προσαρμοσμένο λεξιλόγιο | Voxtral Small Transcribe 3 |
| Αναγνώριση ομιλητών με χρονική σήμανση για κάθε τμήμα | Voxtral Mini ή Small Transcribe 3 (εκτός σύνδεσης) |
| Απομαγνητοφώνηση ζωντανά (μικρόφωνο, ροή ήχου) | Voxtral Mini Transcribe Realtime 3 |
| Υποβολή ερωτήσεων σχετικά με τον ήχο | Voxtral Small (chat) |
| Αυτο-φιλοξενία του μοντέλου | Voxtral Realtime Γενιάς 2, ανοιχτά βάρη |
Ένα κοινό λάθος είναι η επιλογή του μοντέλου πραγματικού χρόνου επειδή φαίνεται πιο σύγχρονο, μόνο για να ανακαλύψετε αργά στο έργο ότι η αναφορά που αναμένεται απαιτεί χρονολόγηση κάθε παρέμβασης: σε πραγματικό χρόνο, τα τμήματα περιλαμβάνουν τον ομιλητή αλλά όχι την ώρα. Εάν το παραδοτέο σας πρέπει να αναφέρει «ποιος είπε τι και πότε», η λειτουργία εκτός σύνδεσης παραμένει η σωστή επιλογή.
Βασικά σημεία
- Voxtral Mini Transcribe 3: Απομαγνητοφώνηση αρχείου με διαχωρισμό ομιλητών, προσαρμογή συμφραζομένων και χρονική σήμανση επιπέδου τμήματος
- Voxtral Small Transcribe 3: Ίδιες δυνατότητες, υψηλότερη ακρίβεια όταν το προσαρμοσμένο λεξιλόγιο δεν αρκεί
- Voxtral Mini Transcribe Realtime 3: Ροή με ρυθμιζόμενη καθυστέρηση από 80 ms, ανίχνευση αλλαγής ομιλητή, διαχωρισμός ομιλητών χωρίς χρονική σήμανση
- Voxtral Small: Συνομιλία ήχου για κατανόηση και ανάλυση του περιεχομένου της ηχογράφησης
- 50 γλώσσες για αρχεία, 45 για πραγματικό χρόνο, συμπεριλαμβανομένων των Γαλλικών