Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Modeli Voxtral za transkripciju

Lekcija 2 od 16 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Četiri modela, tri slučaja uporabe
  2. Voxtral Mini Transcribe 3 — transkripcija datoteka
  3. Voxtral Small Transcribe 3 — kada je preciznost ključna
  4. Voxtral Mini Transcribe Realtime 3 — transkripcija u stvarnom vremenu
  5. Voxtral Small — multimodalni audio chat
  6. Odaberi u jednoj minuti
  7. Ključne točke

Tečaj ažuriran 3. studenoga 2026. za Voxtral 3, na temelju Mistralovog vodiča Migrate from Voxtral 2: modeli Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), zastarjeli 31. listopada 2026. i povučeni 30. travnja 2027., u primjerima su zamijenjeni modelima voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 i voxtral-mini-tts-3-0. Ključne promjene: vremenske oznake samo po segmentima (word vraća grešku 400), razdvajanje govornika moguće u stvarnom vremenu, postavke sesije u stvarnom vremenu zaključane nakon prvog audio isječka te slobodni unosi za context_bias (fraze s razmacima). Izvori: Migrate from Voxtral 2 · Speech to Text.

Četiri modela, tri slučaja uporabe

Mistral AI nudi nekoliko modela Voxtral za obradu govora, od kojih je svaki optimiziran za specifičan zadatak: dva za datoteke, jedan za rad u stvarnom vremenu i jedan za postavljanje pitanja o audio sadržaju. Odabir pravog modela nije samo tehnički detalj konfiguracije; on određuje što možeš učiniti dalje – dodavanje vremenskih oznaka, detekciju promjene govornika ili strujanje odgovora. Donesi tu odluku prvo, prije nego napišeš ijednu liniju koda.

Voxtral Mini Transcribe 3 — transkripcija datoteka

Ovo je zadani model za izvanmrežnu transkripciju: šalješ mu cijeli snimak, a on vraća transkribirani tekst. Njegov API identifikator je voxtral-mini-transcribe-3 (alias za voxtral-mini-transcribe-3-0).

Podržava sve izvanmrežne značajke: razdvajanje govornika (diarization) identificira sugovornike uz vremenske oznake na razini segmenta (vremenske oznake na razini riječi više ne postoje u Voxtralu 3), prilagodba kontekstu ubacuje rječnik specifičan za domenu, a odgovori se mogu strujati. Pokriva 50 jezika i košta 0,0035 USD po minuti audio zapisa od 3. studenoga 2026.

U praksi odaberi ovaj model kad god audio zapis već postoji kao datoteka: snimke sastanaka, podcasti, intervjui, predavanja ili medicinske i pravne transkripcije.

Minimalni primjer poziva

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 — kada je preciznost ključna

Veći i precizniji, voxtral-small-transcribe-3 radi na isti način. Mistral preporučuje da počneš s modelom Mini, a na Small prijeđeš samo ako greške i dalje postoje unatoč korištenju prilagođenog rječnika. Košta 0,004 USD po minuti.

Voxtral Mini Transcribe Realtime 3 — transkripcija u stvarnom vremenu

Ovaj model dizajniran je za transkripciju strujanjem. Njegov API identifikator je voxtral-mini-transcribe-realtime-3.

Njegova latencija je podesiva od 80 ms do 1,2 sekunde, odnosno 2,4 sekunde (target_streaming_delay_ms): arhitektura transkribira kako audio pristiže, umjesto da čeka kraj rečenice. Pokriva 45 jezika i dijalekata, detektira krajeve govornih dionica i sada može razlikovati govornike – ali ne oboje u istoj sesiji. Njegovi segmenti uključuju oznake govornika, ali nemaju vrijeme početka ni završetka. Košta 0,008 USD po minuti. Koristi ga za titlove uživo, glasovne asistente, diktate ili transkripciju konferencije dok se odvija.

Minimalni primjer poziva

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)

Prethodna generacija, voxtral-mini-transcribe-realtime-2602 (4 milijarde parametara), i dalje je dostupna kao otvorene težine (open weights) pod licencom Apache 2.0 za samostalno hostanje na vlastitim strojovima.

Voxtral Small — multimodalni audio chat

Treći model mijenja kategoriju. Voxtral Small, identifikator voxtral-small-latest – koji je prema dokumentaciji i dalje model druge generacije pri lansiranju Voxtrala 3 – nije čisti transkripter već konverzacijski model sposoban razumjeti audio. Prihvaća audio datoteku kao ulaz u chat razgovoru i odgovara na tvoja pitanja o njezinom sadržaju, kombinirajući razumijevanje zvuka s generiranjem teksta.

Ta se razlika vidi u kodu: koristi krajnju točku /chat/completions, a ne /audio/transcriptions. Nećeš ga pitati „transkribiraj ovu datoteku“, već radije „sažmi ovaj razgovor“, „koji je proračun spomenut“ ili „je li kupac izrazio pritužbu“.

Primjer poziva

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)

Odaberi u jednoj minuti

Kada se suočiš s novim projektom, zapitaj se koja je dominantna potreba, a ne koje su značajke dostupne. Tablica u nastavku sažima najčešće scenarije.

Tvoja potrebaPreporučeni model
Snimljena audio datoteka, tekstualni izlazVoxtral Mini Transcribe 3
Isto kao gore, uz greške koje persistiraju unatoč prilagođenom rječnikuVoxtral Small Transcribe 3
Identificiraj govornike s vremenskom oznakom za svaki segmentVoxtral Mini ili Small Transcribe 3 (izvanmrežno)
Transkribiraj uživo (mikrofon, audio stream)Voxtral Mini Transcribe Realtime 3
Postavljaj pitanja o audiuVoxtral Small (chat)
Samostalno hostaj modelVoxtral Realtime generacije 2, otvorene težine

Česta je greška odabrati model za stvarno vrijeme jer djeluje modernije, samo da bi se kasno u projektu otkrilo da izvještaj zahtijeva datiranje svake intervencije: u stvarnom vremenu segmenti uključuju govornika, ali ne i vrijeme. Ako tvoj isporučivi proizvod mora navesti „tko je što rekao i kada“, izvanmrežni način rada ostaje ispravan izbor.

Ključne točke

  • Voxtral Mini Transcribe 3: transkripcija datoteka s razdvajanjem govornika, prilagodbom kontekstu i vremenskim oznakama na razini segmenta
  • Voxtral Small Transcribe 3: iste mogućnosti, veća preciznost kada prilagođeni rječnik nije dovoljan
  • Voxtral Mini Transcribe Realtime 3: strujanje s podesivom latencijom od 80 ms, detekcija promjene govornika, razdvajanje govornika bez vremenskih oznaka
  • Voxtral Small: audio chat za razumijevanje i analizu sadržaja snimke
  • 50 jezika za datoteke, 45 za stvarno vrijeme, uključujući francuski