Offline frente a tiempo real: guía de selección
En esta página
Curso actualizado el 3 de noviembre de 2026 para Voxtral 3, basado en la guía Migrate from Voxtral 2 de Mistral: los modelos de Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), obsoletos desde el 31 de octubre de 2026 y retirados el 30 de abril de 2027, se sustituyen en los ejemplos porvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3yvoxtral-mini-tts-3-0. Cambios clave: las marcas temporales son solo por segmento (worddevuelve un error 400), la diarización es posible en tiempo real, la configuración de la sesión en tiempo real se fija tras el primer fragmento de audio y las entradas decontext_biasson de formato libre (se permiten frases con espacios). Fuentes: Migrate from Voxtral 2 · Speech to Text.
Dos modos, dos filosofías
Voxtral ofrece dos enfoques de transcripción que no difieren en calidad, sino en naturaleza. Elegir entre ellos no es un detalle de implementación que ajustes al final de un proyecto. Determina las funciones disponibles, cómo escribes el código, los costes que incurres y la experiencia de usuario que entregas. Esta lección te aporta los datos necesarios para tomar esa decisión, mantenerte firme en ella e incluso combinar ambos modos cuando tenga sentido.
Comparativa completa
| Criterio | Offline (por lotes) | Tiempo real (streaming) |
|---|---|---|
| Modelo | Voxtral Mini (o Small) Transcribe 3 | Voxtral Mini Transcribe Realtime 3 |
| Latencia | De segundos a minutos (según la duración) | Retardo configurable de 80 ms a 1,2 s, o 2,4 s |
| Límite de audio | Ventana de contexto, compartida con context_bias | Sesión continua |
| Diarización | Sí, con marcas temporales por segmento | Sí, sin marcas temporales; no disponible con detección de fin de turno |
| Sesgo de contexto | Sí (lista de términos, frases permitidas) | Sí, en la configuración de la sesión |
| Marcas temporales | Por segmento (sin nivel de palabra) | No |
| Detección de fin de turno | No | Sí |
| Formato de audio | Formatos de archivo comunes | PCM mono de 16 bits (16 kHz por defecto) |
| Idiomas | 50 | 45 idiomas y dialectos |
| Precio a 3 de noviembre de 2026 | 0,0035 $/min (Mini), 0,004 $/min (Small) | 0,008 $/min |
| Programación | Síncrona (sencilla) | Asíncrona (async/await) |
| Caso de uso principal | Archivos grabados | Audio en directo |
Un análisis detallado de esta tabla revela lo que realmente separa ambos modos. Offline es el único modo que marca temporalmente cada segmento porque ve todo el audio antes de responder. Tiempo real es el único modo que detecta fines de turno y devuelve texto mientras alguien está hablando. No estás eligiendo entre una versión completa y una versión ligera. Estás eligiendo entre dos formas de atender al usuario: a posteriori o en el momento.
Cómo elegir
Offline es la opción clara siempre que proceses archivos de audio que ya existen (reuniones archivadas, pódcasts, entrevistas), ya que el audio está completo y no tiene sentido dividirlo artificialmente. Es tu única opción si necesitas identificar hablantes, pues la diarización sigue siendo inalcanzable para el streaming. También es la elección correcta si tu dominio requiere un vocabulario especializado que el sesgo de contexto deba guiar, o si necesitas marcas temporales precisas para el subtitulado de vídeo en posproducción. Por último, te ahorra cualquier conversión previa cuando tus fuentes llegan en diversos formatos, y se convierte en la opción obvia cuando la latencia no es crítica: procesamiento diferido, lotes nocturnos, tuberías de archivado.
El tiempo real se vuelve necesario cuando el audio llega de forma continua, desde un micrófono o un flujo de red, lo que significa que no hay ningún archivo que enviar. Es obligatorio cuando los resultados deben estar disponibles en menos de un segundo, como en un asistente de voz, una herramienta de dictado o el subtitulado en directo de una conferencia o webinar. Otras dos razones estratégicas pueden impulsar la elección con independencia de la latencia: el despliegue local o en el edge, posible gracias a los pesos abiertos, y los requisitos de soberanía cuando ningún dato puede salir de tu infraestructura.
Existe una tercera vía, a menudo la mejor: combinar ambos. Subtitulas una conferencia en tiempo real y luego reprocesas la grabación en modo offline para producir subtítulos limpios y con marcas temporales. Muestras la transcripción en directo durante una reunión y luego ejecutas un pase offline con diarización para atribuir cada intervención a su hablante. Dictas en tiempo real y luego reprocesas el archivo offline para su revisión y corrección. El tiempo real sirve al momento; offline sirve al documento.
El coste de cada modo
Los dos modos no comparten la misma estructura de precios. A fecha de abril de 2026, la tarificación de Mistral AI se basa en la duración del audio procesado. Offline suele ser más barato por minuto porque el procesamiento por lotes está optimizado, mientras que el tiempo real conlleva una prima por la conexión WebSocket persistente y el procesamiento continuo.
Tres hábitos reducen costes sin sacrificar nada. En modo offline, agrupa tus archivos en lotes para limitar el número de solicitudes a la API. En modo tiempo real, cierra la conexión tan pronto como cese el habla en lugar de dejarla abierta «por si acaso»: una sesión olvidada consume recursos sin producir salida. Lo más importante: pregúntate siempre si el procesamiento en directo es realmente necesario; si el tiempo real no aporta valor al usuario, offline es tanto más barato como más rico en funciones.
Una tubería híbrida: de lo en directo al informe
El código siguiente muestra el patrón híbrido en su forma más común: una reunión. Durante la sesión, el flujo en tiempo real alimenta la pantalla: los participantes ven el texto desplazarse, nadie espera. Una vez finalizada la reunión, el mismo audio, ahora disponible como un archivo completo, se reprocesa en modo offline con diarize=True y marcas temporales a nivel de segmento, produciendo un informe que atribuye cada intervención a su hablante. Las dos llamadas no compiten; se complementan. La primera sirve la inmediatez; la segunda, la trazabilidad.
import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
AudioFormat,
TranscriptionStreamTextDelta,
TranscriptionStreamDone
)
async def hybrid_pipeline(realtime_audio_source, complete_file_path):
"""
1. Transcripción en tiempo real para visualización inmediata
2. Transcripción offline para el informe final con diarización
"""
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Fase 1: Tiempo real (durante la reunión)
print("=== TRANSCRIPCIÓN EN DIRECTO ===\n")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=realtime_audio_source,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
target_streaming_delay_ms=800,
):
if isinstance(event, TranscriptionStreamTextDelta):
print(event.text, end="", flush=True)
elif isinstance(event, TranscriptionStreamDone):
break
# Fase 2: Offline (después de la reunión)
print("\n\n=== ANÁLISIS DETALLADO ===\n")
with open(complete_file_path, "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": complete_file_path},
diarize=True,
timestamp_granularities=["segment"]
)
for seg in response.segments:
print(f"[{seg.speaker_id}] ({seg.start:.1f}s) {seg.text}")
return response
Ten en cuenta la restricción práctica que impone este patrón: debes grabar el audio en paralelo con el streaming, ya que los fragmentos consumidos por el flujo en tiempo real no se retienen. Planifica esta escritura en disco desde el inicio, o la fase offline no tendrá nada que procesar.
Puntos clave
- Offline destaca en archivos grabados con diarización y marcas temporales
- Tiempo real destaca en audio en directo con latencia ultrabaja
- Ambos modos pueden combinarse en una tubería híbrida
- Offline es más rico en funciones (diarización, sesgo de contexto, marcas temporales)
- Tiempo real es más flexible para el despliegue (pesos abiertos, edge)
- Elige en función de la fuente de audio (archivo frente a directo) y las funciones requeridas