Mudelid Voxtral transkriptsiooniks
Sellel lehel
Kursust uuendati 3. novembril 2026 Voxtral 3 jaoks, tuginedes Mistrali juhendile Migrate from Voxtral 2: Voxtral 2 mudelid (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603, mis tunnistati aegunuks 31. oktoobril 2026 ja eemaldatakse kasutusest 30. aprillil 2027) on näidetes asendatud mudelitegavoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3javoxtral-mini-tts-3-0. Peamised muudatused: ajatemplid ainult lõigu tasemel (wordtagastab vea 400), diaariseerimine reaalajas võimalik, reaalaja seansi seaded lukustuvad pärast esimest helilõiku ja vabas vorminguscontext_biassisendid (fraasid tühikutega). Allikad: Migrate from Voxtral 2 · Speech to Text.
Neli mudelit, kolm kasutusjuhtu
Mistral AI pakub kõnetöötluseks mitut Voxtrali mudelit, millest igaüks on optimeeritud kindla ülesande jaoks: kaks failide jaoks, üks reaalajaks ja üks heli kohta küsimuste esitamiseks. Õige mudeli valik ei ole pelgalt konfiguratsiooni detail; see määrab, mida sa edasi teha saad – ajatemplid, kõnevoogude tuvastamine, vastuste voogedastus. Tee see otsus esimesena, enne kui kirjutad ühegi koodirea.
Voxtral Mini Transcribe 3 – failide transkriptsioon
See on vaikimisi mudel offline-transkriptsiooniks: saadad sellele tervikliku salvestise ja see tagastab transkribeeritud teksti. Selle API identifikaator on voxtral-mini-transcribe-3 (alias mudelile voxtral-mini-transcribe-3-0).
See toetab kõiki offline-funktsioone: diaariseerimine tuvastab kõnelejad lõigu tasemel ajatemplitega (sõna tasemel ajatemplid Voxtral 3-s enam ei eksisteeri), konteksti kallutamine sisestab valdkonnaspetsiifilist sõnavara ja vastuseid saab voogedastada. See hõlmab 50 keelt ja maksab 3. novembri 2026. aasta seisuga 0,0035 dollarit heliminuti kohta.
Praktikas vali see mudel alati, kui heli on juba failina olemas: koosolekute salvestised, podcastid, intervjuud, loengud või meditsiinilised ja juriidilised transkriptsioonid.
Minimaalne väljakutse näide
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 – kui täpsus loeb
Suurem ja täpsem mudel voxtral-small-transcribe-3 toimib samal viisil. Mistral soovitab alustada Mini mudeliga ja lülituda Smallile ainult siis, kui vead püsivad vaatamata kohandatud sõnavara kasutamisele. Selle hind on 0,004 dollarit minuti kohta.
Voxtral Mini Transcribe Realtime 3 – reaalaja transkriptsioon
See mudel on mõeldud voogedastus-transkriptsiooniks. Selle API identifikaator on voxtral-mini-transcribe-realtime-3.
Selle latentsust saab reguleerida vahemikus 80 ms kuni 1,2 sekundit või 2,4 sekundit (target_streaming_delay_ms): arhitektuur transkribeerib heli saabumise käigus, ootamata lause lõppu. See hõlmab 45 keelt ja murret, tuvastab kõnevoogude lõppu ja suudab nüüd eristada kõnelejaid – kuid mitte mõlemat samas sessioonis. Selle lõigud sisaldavad kõneleja sildid, kuid mitte algus- ega lõppaegu. Hind on 0,008 dollarit minuti kohta. Kasuta seda otseste subtiitrite, häälassistendi, dikteerimise või konverentsi samaaegse transkribeerimise jaoks.
Minimaalne väljakutse näide
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)
Eelmine põlvkond, voxtral-mini-transcribe-realtime-2602 (4 miljardit parameetrit), on endiselt saadaval avatud kaaludena Apache 2.0 litsentsi alusel isemajutamiseks oma masinates.
Voxtral Small – multimodaalne helivestlus
Kolmas mudel kuulub teise kategooriasse. Voxtral Small, identifikaatoriga voxtral-small-latest – mis on Voxtral 3 käivitamise ajal dokumentatsiooni kohaselt endiselt 2. põlvkonna mudel – ei ole puhas transkribeerija, vaid vestlusmudel, mis suudab heli mõista. See aktsepteerib vestluses sisendina helifaili ja vastab sinu küsimustele selle sisu kohta, kombineerides heli mõistmist teksti genereerimisega.
See erinevus kajastub koodis: see kasutab lõpppunkti /chat/completions, mitte /audio/transcriptions. Sa ei küsi sellelt „transkribeeri see fail“, vaid pigem „võta see vestlus kokku“, „millist eelarvet mainiti“ või „kas klient välendas kaebust“.
Väljakutse näide
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)
Vali ühe minutiga
Uue projekti ees seistes küsi endalt domineeriva vajaduse, mitte olemasolevate funktsioonide kohta. Allpool olev tabel võtab kokku levinumad stsenaariumid.
| Sinu vajadus | Soovitatav mudel |
|---|---|
| Salvestatud helifail, tekstiväljund | Voxtral Mini Transcribe 3 |
| Sama mis eelnevalt, kuid vead püsivad vaatamata kohandatud sõnavarale | Voxtral Small Transcribe 3 |
| Tuvasta kõnelejad iga lõigu ajatempliga | Voxtral Mini või Small Transcribe 3 (offline) |
| Transkribeeri otse (mikrofon, helivoog) | Voxtral Mini Transcribe Realtime 3 |
| Esita heli kohta küsimusi | Voxtral Small (vestlus) |
| Majuta mudel ise | 2. põlvkonna Voxtral Realtime, avatud kaalud |
Levinud viga on valida reaalaja mudel, kuna see tundub moodsam, ainult et avastada projekti hilises faasis, et oodatud aruanne nõuab iga sõnavõtu dateerimist: reaalajas sisaldavad lõigud kõnelejat, kuid mitte aega. Kui sinu lõpptulemus peab ütlema „kes mida ja millal ütles“, on offline-režiim endiselt õige valik.
Peamised punktid
- Voxtral Mini Transcribe 3: failide transkriptsioon diaariseerimise, konteksti kallutamise ja lõigu tasemel ajatemplitega
- Voxtral Small Transcribe 3: samad võimalused, suurem täpsus, kui kohandatud sõnavarast ei piisa
- Voxtral Mini Transcribe Realtime 3: voogedastus reguleeritava latentsusega alates 80 ms, kõnevoogude tuvastamine, diaariseerimine ilma ajatemplideta
- Voxtral Small: helivestlus salvestise sisu mõistmiseks ja analüüsimiseks
- 50 keelt failide jaoks, 45 reaalaja jaoks, sealhulgas prantsuse keel