Casos de uso de la transcripción de audio
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: marca de tiempo solo a nivel de segmento (worddevuelve un error 400), soporte de diarización en tiempo real, configuración de sesión en tiempo real bloqueada tras el primer fragmento de audio y entradas flexibles decontext_bias(frases con espacios). Fuentes: Migrate from Voxtral 2 · Speech to Text.
Por qué automatizar la transcripción de audio
La transcripción automática convierte un flujo de audio en texto estructurado y utilizable. Con el rendimiento actual de Voxtral, la tasa de error es lo suficientemente baja para su uso directo en muchos contextos profesionales sin necesidad de una revisión exhaustiva. Este detalle cambia la ecuación económica: mientras sea necesaria una revisión línea por línea, la automatización simplemente desplaza el trabajo en lugar de eliminarlo.
Los casos de uso que se presentan a continuación comparten una característica común: cada uno depende de un parámetro específico de la API. Aprender a identificarlos te evita tener que reconstruir manualmente lo que el modelo ya produce.
Subtitulado automático
El subtitulado es la aplicación más directa. La marca de tiempo a nivel de segmento de Voxtral Mini Transcribe 3 proporciona la hora de inicio y fin de cada segmento de transcripción, lo cual es suficiente para generar archivos SRT o VTT sincronizados con el habla. Activas esta salida con timestamp_granularities=["segment"]; la marca de tiempo a nivel de palabra, disponible en Voxtral 2, ahora devuelve un error 400. Si un segmento es demasiado largo para la pantalla, debes dividirlo ulteriormente en el lado del cliente.
En la práctica, una organización de aprendizaje electrónico lo utiliza para subtitular su catálogo de vídeos, una agencia gubernamental para hacer el contenido accesible a usuarios sordos o con dificultades auditivas, y una editorial para producir subtítulos multilingües encadenando transcripción y traducción. Para seminarios web o conferencias en directo, la necesidad es idéntica, pero se traslada a Voxtral Realtime, ya que el archivo no está disponible cuando deben aparecer los subtítulos.
Ejemplo: generación de subtítulos SRT
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("video_audio.mp3", "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": "video_audio.mp3"},
timestamp_granularities=["segment"]
)
# Generar un archivo SRT: un subtítulo por segmento
def to_srt(segments):
srt_lines = []
for idx, seg in enumerate(segments, 1):
srt_lines.append(f"{idx}")
srt_lines.append(f"{format_time(seg.start)} --> {format_time(seg.end)}")
srt_lines.append(seg.text.strip())
srt_lines.append("")
return "\n".join(srt_lines)
def format_time(seconds):
h = int(seconds // 3600)
m = int((seconds % 3600) // 60)
s = int(seconds % 60)
ms = int((seconds % 1) * 1000)
return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
Actas de reuniones
Combinar transcripción + diarización convierte a Voxtral en una herramienta seria para la generación automática de actas de reuniones. El modelo identifica a cada interlocutor y produce una transcripción estructurada por participante, mientras que una transcripción plana obliga al lector a adivinar quién habla. Bastan dos parámetros: diarize=True para separar a los interlocutores y timestamp_granularities=["segment"] para obtener bloques de tiempo.
Un equipo lo utiliza para sus reuniones semanales de seguimiento, un consejo de administración para las reuniones de comités y un departamento de calidad para archivar y buscar en el historial de reuniones. El texto diarizado también sirve como materia prima para extraer automáticamente decisiones y tareas pendientes.
Flujo de trabajo típico
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Cada segmento contiene: speaker, start, end, text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
A continuación, puedes enviar el resultado a un LLM (Mistral Large 3, por ejemplo) para extraer un resumen, las decisiones tomadas y las tareas pendientes.
Pódcasts y entrevistas
Los pódcasts y las entrevistas son contenidos de larga duración —de treinta minutos a más de dos horas— con entre dos y cinco participantes. Voxtral distingue al presentador de los invitados mediante la diarización y respeta los nombres de los interlocutores y la jerga específica del tema gracias al sesgo de contexto. Para las grabaciones más largas, ten en cuenta la ventana de contexto, compartida entre el audio y el vocabulario: una solicitud que la exceda será rechazada con un error 400 (no se trunca nada); divide el audio en su lugar.
Un productor de pódcasts lo utiliza para generar una transcripción completa publicada como artículo, indexación de texto completo para archivos consultables, notas del programa generadas automáticamente y citas listas para recortar y publicar en redes sociales. El mismo archivo de audio alimenta así cuatro entregables diferentes.
Accesibilidad digital
La transcripción automática es un pilar de la accesibilidad digital, exigida por la Ley Europea de Accesibilidad (junio de 2025). Subtitular contenidos de vídeo es ahora un requisito legal, junto con la transcripción de mensajes de voz a texto, la provisión de descripciones textuales de contenidos de audio —lo que, por cierto, beneficia al SEO— y el mantenimiento de archivos accesibles de grabaciones.
Voxtral te permite automatizar estas obligaciones a gran escala, con un coste marginal por minuto de audio muy inferior al de la transcripción humana. Para un catálogo de varios cientos de horas, esto marca la diferencia entre un despliegue de cumplimiento presupuestado y uno pospuesto indefinidamente.
Otras aplicaciones
| Sector | Caso de uso típico |
|---|---|
| Centros de llamadas | Transcripción y análisis de conversaciones con clientes para el control de calidad |
| Sanidad | Dictado de informes con sesgo de contexto para vocabulario especializado |
| Legal | Transcripción de vistas y declaraciones |
| Educación | Transcripción de clases para estudiantes |
| Periodismo | Transcripción rápida de entrevistas sobre el terreno |
Antes de escribir cualquier código, identifica el caso de uso más cercano al tuyo en esta lista y anota los parámetros que requiere. Esta combinación, y no solo el modelo, determina la calidad de tu resultado.
Puntos clave
- El subtitulado utiliza la marca de tiempo a nivel de segmento para generar archivos SRT/VTT
- Las actas de reuniones combinan diarización y transcripción segmentada
- Los pódcasts y las entrevistas se benefician del soporte de audio largo (3 h) y del sesgo de contexto
- La accesibilidad digital es un requisito legal que Voxtral ayuda a automatizar
- Cada caso de uso depende de parámetros específicos de la API de Voxtral