Ir al contenido principal
Español— Elegir un idioma
Menú

Modelos Voxtral para transcripción

Lección 2 de 16 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Cuatro modelos, tres casos de uso
  2. Voxtral Mini Transcribe 3 — transcripción de archivos
  3. Voxtral Small Transcribe 3 — cuando la precisión importa
  4. Voxtral Mini Transcribe Realtime 3 — transcripción en tiempo real
  5. Voxtral Small — chat de audio multimodal
  6. Elige en un minuto
  7. Puntos clave

Curso actualizado el 3 de noviembre de 2026 para Voxtral 3, basado en la guía Migrate from Voxtral 2 de Mistral: los modelos 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 por voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 y voxtral-mini-tts-3-0. Cambios clave: marcas de tiempo solo por segmento (word devuelve un error 400), diarización posible en tiempo real, configuración de sesión en tiempo real bloqueada tras el primer fragmento de audio y entradas de context_bias de forma libre (frases con espacios). Fuentes: Migrate from Voxtral 2 · Speech to Text.

Cuatro modelos, tres casos de uso

Mistral AI ofrece varios modelos Voxtral para el procesamiento de voz, cada uno optimizado para una tarea concreta: dos para archivos, uno para tiempo real y otro para formular preguntas sobre audio. Elegir el modelo adecuado no es un detalle de configuración; determina qué puedes hacer después: marcas de tiempo, detección de turnos de palabra o respuestas en streaming. Toma esta decisión primero, antes de escribir una sola línea de código.

Voxtral Mini Transcribe 3 — transcripción de archivos

Este es el modelo predeterminado para la transcripción sin conexión: le envías una grabación completa y devuelve el texto transcrito. Su identificador de API es voxtral-mini-transcribe-3 (un alias de voxtral-mini-transcribe-3-0).

Admite todas las funciones sin conexión: la diarización identifica a los interlocutores con marcas de tiempo a nivel de segmento (las marcas de tiempo a nivel de palabra ya no existen en Voxtral 3), el sesgo de contexto inyecta vocabulario específico del dominio y las respuestas pueden transmitirse en streaming. Cubre 50 idiomas y cuesta 0,0035 $ por minuto de audio a fecha de 3 de noviembre de 2026.

En la práctica, elige este modelo siempre que el audio ya exista como archivo: grabaciones de reuniones, pódcasts, entrevistas, conferencias o transcripciones médicas y legales.

Ejemplo de llamada mínima

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 — cuando la precisión importa

Más grande y preciso, voxtral-small-transcribe-3 funciona de la misma manera. Mistral recomienda empezar con el modelo Mini y cambiar a Small solo si los errores persisten a pesar de usar vocabulario personalizado. Cuesta 0,004 $ por minuto.

Voxtral Mini Transcribe Realtime 3 — transcripción en tiempo real

Este modelo está diseñado para la transcripción en streaming. Su identificador de API es voxtral-mini-transcribe-realtime-3.

Su latencia es ajustable desde 80 ms hasta 1,2 segundos, o 2,4 segundos (target_streaming_delay_ms): la arquitectura transcribe a medida que llega el audio en lugar de esperar al final de una frase. Cubre 45 idiomas y dialectos, detecta el final de los turnos de palabra y ahora puede distinguir interlocutores, pero no ambas cosas en la misma sesión. Sus segmentos incluyen etiquetas de interlocutor, pero no tiempos de inicio ni de fin. Cuesta 0,008 $ por minuto. Úsalo para subtítulos en directo, asistentes de voz, dictado o para transcribir una conferencia a medida que ocurre.

Ejemplo de llamada mínima

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)

La generación anterior, voxtral-mini-transcribe-realtime-2602 (4 mil millones de parámetros), sigue disponible con pesos abiertos bajo la licencia Apache 2.0 para autoalojamiento en tus propias máquinas.

Voxtral Small — chat de audio multimodal

El tercer modelo cambia de categoría. Voxtral Small, identificador voxtral-small-latest —aún un modelo de generación 2 en el lanzamiento de Voxtral 3, según la documentación—, no es un transcriptor puro, sino un modelo conversacional capaz de entender audio. Acepta un archivo de audio como entrada en una conversación de chat y responde a tus preguntas sobre su contenido, combinando la comprensión del audio con la generación de texto.

Esta diferencia se refleja en el código: utiliza el punto de conexión /chat/completions, no /audio/transcriptions. No le pedirás «transcribe este archivo», sino más bien «resume esta conversación», «qué presupuesto se mencionó» o «expresó el cliente alguna queja».

Ejemplo de llamada

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": "Resume esta conversación en 3 puntos clave."}
        ]
    }]
)

print(response.choices[0].message.content)

Elige en un minuto

Ante un nuevo proyecto, pregúntate cuál es la necesidad dominante en lugar de fijarte en las funciones disponibles. La siguiente tabla resume los escenarios más comunes.

Tu necesidadModelo recomendado
Un archivo de audio grabado, salida de textoVoxtral Mini Transcribe 3
Lo mismo que arriba, con errores persistentes a pesar del vocabulario personalizadoVoxtral Small Transcribe 3
Identificar interlocutores con marca de tiempo para cada segmentoVoxtral Mini o Small Transcribe 3 (sin conexión)
Transcribir en directo (micrófono, flujo de audio)Voxtral Mini Transcribe Realtime 3
Hacer preguntas sobre el audioVoxtral Small (chat)
Autoalojar el modeloVoxtral Realtime de generación 2, pesos abiertos

Un error común es elegir el modelo en tiempo real porque parece más moderno, para descubrir tarde en el proyecto que el informe esperado requiere fechar cada intervención: en tiempo real, los segmentos incluyen al interlocutor pero no la hora. Si tu entregable debe indicar «quién dijo qué y cuándo», el modo sin conexión sigue siendo la opción correcta.

Puntos clave

  • Voxtral Mini Transcribe 3: transcripción de archivos con diarización, sesgo de contexto y marcas de tiempo a nivel de segmento
  • Voxtral Small Transcribe 3: mismas capacidades, mayor precisión cuando el vocabulario personalizado no es suficiente
  • Voxtral Mini Transcribe Realtime 3: streaming con latencia ajustable desde 80 ms, detección de turnos, diarización sin marcas de tiempo
  • Voxtral Small: chat de audio para entender y analizar el contenido de una grabación
  • 50 idiomas para archivos, 45 para tiempo real, incluido el francés