Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Voxtral-mallit litterointiin

Oppitunti 2 / 16 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Neljä mallia, kolme käyttötapausta
  2. Voxtral Mini Transcribe 3 – tiedostolitterointi
  3. Voxtral Small Transcribe 3 – kun tarkkuus ratkaisee
  4. Voxtral Mini Transcribe Realtime 3 – reaaliaikalitterointi
  5. Voxtral Small – multimodaalinen äänikeskustelu
  6. Valinta yhdessä minuutissa
  7. Keskeiset asiat

Kurssi päivitetty 3. marraskuuta 2026 Voxtral 3:ta varten Mistralin Migrate from Voxtral 2 -oppaan pohjalta: Voxtral 2 -mallit (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603) poistettiin käytöstä 31. lokakuuta 2026 ja ne lopetetaan kokonaan 30. huhtikuuta 2027. Esimerkeissä ne on korvattu malleilla voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 ja voxtral-mini-tts-3-0. Keskeiset muutokset: aikaleimat vain jaksojen tasolla (word palauttaa 400-virheen), puhujantunnistus mahdollista reaaliajassa, reaaliaikaisten istuntojen asetukset lukittuvat ensimmäisen äänipaketin jälkeen ja vapaamuotoiset context_bias-syötteet (välilyönnilliset fraasit). Lähteet: Migrate from Voxtral 2 · Speech to Text.

Neljä mallia, kolme käyttötapausta

Mistral AI tarjoaa useita Voxtral-malleja puheen käsittelyyn, ja kukin niistä on optimoitu tiettyyn tehtävään: kaksi tiedostojen käsittelyyn, yksi reaaliaikaan ja yksi äänen kyselyihin. Oikean mallin valinta ei ole pelkkä konfiguraatioyksityiskohta; se määrittää, mitä voit tehdä seuraavaksi – olipa kyseessä aikaleimaus, vuoron tunnistus tai vastausten suoratoisto. Tee tämä päätös ensin, ennen kuin kirjoitat riviäkään koodia.

Voxtral Mini Transcribe 3 – tiedostolitterointi

Tämä on oletusmalli offline-litterointiin: lähetät sille valmiin nauhoitteen, ja se palauttaa litteroidun tekstin. Sen API-tunniste on voxtral-mini-transcribe-3 (alias tunnisteelle voxtral-mini-transcribe-3-0).

Se tukee kaikkia offline-ominaisuuksia: puhujantunnistus (diarization) tunnistaa puhujat jaksojen tason aikaleimoilla (sanatasoisia aikaleimoja ei enää ole Voxtral 3:ssa), kontekstin painotus syöttää alakohtaista sanastoa ja vastaukset voidaan suoratoistaa. Se kattaa 50 kieltä ja maksaa 0,0035 dollaria ääniminuutilta 3. marraskuuta 2026 alkaen.

Käytä tätä mallia aina, kun ääni on jo olemassa tiedostona: kokousnauhoitukset, podcastit, haastattelut, luennot tai lääketieteelliset ja oikeudelliset litteroinnit.

Minimikutsuesimerkki

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 – kun tarkkuus ratkaisee

Laajempi ja tarkempi voxtral-small-transcribe-3 toimii samalla tavalla. Mistral suosittelee aloittamaan Mini-mallilla ja siirtymään Smalliin vain, jos virheet jatkuvat mukautetusta sanastosta huolimatta. Sen hinta on 0,004 dollaria minuutilta.

Voxtral Mini Transcribe Realtime 3 – reaaliaikalitterointi

Tämä malli on suunniteltu suoratoistolitterointiin. Sen API-tunniste on voxtral-mini-transcribe-realtime-3.

Sen viive on säädettävissä 80 ms:n ja 1,2 sekunnin välillä, tai 2,4 sekuntiin (target_streaming_delay_ms): arkkitehtuuri litteroi äänen saapuessa sen sijaan, että se odottaisi lauseen loppua. Se kattaa 45 kieltä ja murretta, tunnistaa vuoron päättymisen ja pystyy nyt erottamaan puhujat – mutta ei molempia samassa istunnossa. Sen jaksot sisältävät puhujatunnisteet, mutta eivät ala- tai loppuaikoja. Se maksaa 0,008 dollaria minuutilta. Käytä sitä live-tekstitykseen, ääniavustajiin, saneluun tai konferenssin litterointiin sen edetessä.

Minimikutsuesimerkki

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)

Edellinen sukupolvi, voxtral-mini-transcribe-realtime-2602 (4 miljardia parametria), on edelleen saatavilla avoimina painoina Apache 2.0 -lisenssillä isännöitäväksi omilla koneillasi.

Voxtral Small – multimodaalinen äänikeskustelu

Kolmas malli kuuluu eri kategoriaan. Voxtral Small, tunniste voxtral-small-latest – joka on edelleen sukupolven 2 malli Voxtral 3:n julkaisuhetkellä dokumentaation mukaan – ei ole puhdas litterointimalli, vaan keskusteleva malli, joka kykenee ymmärtämään ääntä. Se hyväksyy äänitiedoston syötteenä chat-keskustelussa ja vastaa kysymyksiisi sen sisällöstä yhdistäen äänen ymmärtämisen tekstin tuottamiseen.

Tämä ero näkyy koodissa: se käyttää päätepistettä /chat/completions, ei /audio/transcriptions. Et pyydä sitä “litteroi tämä tiedosto”, vaan esimerkiksi “tiivistä tämä keskustelu”, “mikä budjetti mainittiin” tai “ilmaisiko asiakas valituksen”.

Kutsuesimerkki

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)

Valinta yhdessä minuutissa

Kun kohtaat uuden projektin, kysy itseltäsi hallitsevaa tarvetta eikä saatavilla olevia ominaisuuksia. Alla oleva taulukko tiivistää yleisimmät skenaariot.

TarpeesiSuositeltu malli
Nauhoitettu äänitiedosto, tekstitulosteVoxtral Mini Transcribe 3
Sama kuin edellä, virheet jatkuvat mukautetusta sanastosta huolimattaVoxtral Small Transcribe 3
Puhujien tunnistus aikaleimalla jokaiselle jaksolleVoxtral Mini tai Small Transcribe 3 (offline)
Litterointi reaaliajassa (mikrofoni, äänivirta)Voxtral Mini Transcribe Realtime 3
Kysymysten esittäminen äänestäVoxtral Small (chat)
Mallin isännöinti itseSukupolven 2 Voxtral Realtime, avoimet painot

Yleinen virhe on valita reaaliaikamalli, koska se vaikuttaa modernimmalta, vain huomata projektin edetessä, että vaadittu raportti edellyttää kunkin puheenvuoron ajoittamista: reaaliajassa jaksot sisältävät puhujan, mutta eivät aikaa. Jos tuotoksesi täytyy kertoa “kuka sanoi mitä ja milloin”, offline-tila on edelleen oikea valinta.

Keskeiset asiat

  • Voxtral Mini Transcribe 3: tiedostolitterointi puhujantunnistuksella, kontekstin painotuksella ja jaksojen tason aikaleimoilla
  • Voxtral Small Transcribe 3: samat ominaisuudet, suurempi tarkkuus, kun mukautettu sanasto ei riitä
  • Voxtral Mini Transcribe Realtime 3: suoratoisto säädettävällä viiveellä (alkaen 80 ms), vuoron tunnistus, puhujantunnistus ilman aikaleimoja
  • Voxtral Small: äänikeskustelu nauhoitussisällön ymmärtämiseen ja analysointiin
  • 50 kieltä tiedostoille, 45 reaaliajalle, mukaan lukien ranska