Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Voxtral modellek átírásra

2. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Négy modell, három felhasználási eset
  2. Voxtral Mini Transcribe 3 – fájlalapú átírás
  3. Voxtral Small Transcribe 3 – amikor a pontosság számít
  4. Voxtral Mini Transcribe Realtime 3 – valós idejű átírás
  5. Voxtral Small – multimodális audio chat
  6. Dönts egy perc alatt
  7. Főbb megállapítások

A tanfolyam frissítve: 2026. november 3., Voxtral 3 verzió, a Mistral Migrate from Voxtral 2 útmutatója alapján: a 2026. október 31-én elavulttá és 2027. április 30-án véglegesen kivont Voxtral 2 modelleket (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603) a példákban a voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 és voxtral-mini-tts-3-0 modellek váltják fel. Főbb változások: az időbélyegzés kizárólag szegmensszinten érhető el (a word paraméter 400-as hibát eredményez), a beszélőazonosítás valós időben is lehetséges, a valós idejű munkamenet beállításai az első hangcsomag után rögzülnek, valamint a context_bias bemenetek szabad formátumúak (szóközöket tartalmazó kifejezések). Források: Migrate from Voxtral 2 · Speech to Text.

Négy modell, három felhasználási eset

A Mistral AI több Voxtral modellt kínál beszédfeldolgozásra, amelyek mindegyike egy adott feladatra van optimalizálva: kettő fájlokhoz, egy valós idejű használatra, és egy az audióval kapcsolatos kérdések megválaszolására. A megfelelő modell kiválasztása nem csupán konfigurációs részlet; ez határozza meg, mit tehetsz ezt követően – időbélyegzés, beszélőváltás-észlelés, folyamatos válaszok. Ezt a döntést hozd meg elsőként, még mielőtt egyetlen sor kódot is írnál.

Voxtral Mini Transcribe 3 – fájlalapú átírás

Ez az alapértelmezett modell offline átírásra: elküldöd neki a teljes felvételt, ő pedig visszaadja az átírt szöveget. Az API-azonosítója: voxtral-mini-transcribe-3 (ami a voxtral-mini-transcribe-3-0 aliasa).

Támogatja az összes offline funkciót: a beszélőazonosítás (diarization) felismeri a beszélőket szegmensszintű időbélyegzéssel (a Voxtral 3-ban már nem létezik szavankénti időbélyegzés), a kontextus-bias domain-specifikus szókincset illeszt be, a válaszok pedig folyamatosan streamelhetők. 50 nyelvet támogat, és 2026. november 3-tól percenként 0,0035 USD-be kerül.

A gyakorlatban akkor válaszd ezt a modellt, ha a hanganyag már fájlként rendelkezésre áll: értekezleti felvételek, podcastok, interjúk, előadások, illetve orvosi vagy jogi átírások esetén.

Minimális hívási példa

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 – amikor a pontosság számít

A voxtral-small-transcribe-3 nagyobb és pontosabb, de ugyanúgy működik. A Mistral azt javasolja, hogy kezdd a Mini modellel, és csak akkor válts a Smallra, ha a hiba még a saját szókincs használatát követően is fennáll. Ára percenként 0,004 USD.

Voxtral Mini Transcribe Realtime 3 – valós idejű átírás

Ezt a modellt folyamatos (streaming) átírásra tervezték. Az API-azonosítója: voxtral-mini-transcribe-realtime-3.

A késleltetés 80 ms és 1,2 másodperc, illetve 2,4 másodperc között állítható (target_streaming_delay_ms): az architektúra a hang beérkezésekor írja át a szöveget, nem vár a mondat végéig. 45 nyelvet és nyelvjárást támogat, érzékeli a beszélőváltásokat, és immár képes megkülönböztetni a beszélőket is – de egy munkameneten belül nem mindkettőt egyszerre. A szegmensek tartalmaznak beszélőcímkéket, de kezdő és záró időpontokat nem. Ára percenként 0,008 USD. Használd élő feliratokhoz, hangalapú asszisztensekhez, diktáláshoz vagy konferenciák valós idejű átírásához.

Minimális hívási példa

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)

Az előző generáció, a voxtral-mini-transcribe-realtime-2602 (4 milliárd paraméter), továbbra is elérhető nyílt súlyokkal (open weights) az Apache 2.0 licenc alatt, így saját gépeken is üzemeltetheted.

Voxtral Small – multimodális audio chat

A harmadik modell kategóriát vált. A Voxtral Small, azonosítója voxtral-small-latest – a Voxtral 3 indulásakor a dokumentáció szerint még mindig 2-es generációs modell – nem tisztán átíró, hanem egy konverzációs modell, amely képes megérteni a hangot. Bemenetként elfogad egy hangfájlt egy chat beszélgetés során, és válaszol a tartalmára vonatkozó kérdéseidre, egyesítve a hangértelmezést a szöveggenerálással.

Ez a különbség a kódban is megjelenik: a /chat/completions végpontot használja, nem az /audio/transcriptions-t. Nem azt kérdezed tőle, hogy „írd át ezt a fájlt“, hanem azt, hogy „foglald össze ezt a beszélgetést“, „milyen költségvetést említettek“, vagy „panaszt fogalmazott-e meg az ügyfél“.

Hívási példa

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)

Dönts egy perc alatt

Ha új projekttel nézel szembe, ne a rendelkezésre álló funkciók, hanem a domináns igény alapján kérdezz rá. Az alábbi táblázat a leggyakoribb forgatókönyveket foglalja össze.

IgényedAjánlott modell
Rögzített hangfájl, szöveges kimenetVoxtral Mini Transcribe 3
Ugyanaz, de a hiba a saját szókincs ellenére is fennállVoxtral Small Transcribe 3
Beszélők azonosítása időbélyeggel minden szegmenshezVoxtral Mini vagy Small Transcribe 3 (offline)
Élő átírás (mikrofon, hangstream)Voxtral Mini Transcribe Realtime 3
Kérdések feltevése a hanganyagrólVoxtral Small (chat)
A modell saját üzemeltetése2. generációs Voxtral Realtime, nyílt súlyok

Gyakori hiba, hogy valaki a valós idejű modellt választja, mert modernebbnek tűnik, csak hogy a projekt késői szakaszában döbbenjen rá: a várt jelentés megköveteli az egyes hozzászólások időpontjának rögzítését. Valós időben a szegmensek tartalmazzák a beszélőt, de az időpontot nem. Ha a szállítandó anyagnak tartalmaznia kell, hogy „ki, mit és mikor mondott“, az offline mód marad a helyes választás.

Főbb megállapítások

  • Voxtral Mini Transcribe 3: fájlalapú átírás beszélőazonosítással, kontextus-biasszal és szegmensszintű időbélyegzéssel
  • Voxtral Small Transcribe 3: ugyanazok a képességek, nagyobb pontossággal, ha a saját szókincs nem elegendő
  • Voxtral Mini Transcribe Realtime 3: streaming 80 ms-tól állítható késleltetéssel, beszélőváltás-észleléssel, beszélőazonosítással időbélyegzés nélkül
  • Voxtral Small: audio chat a felvételek tartalmának megértéséhez és elemzéséhez
  • 50 nyelv fájlokhoz, 45 valós időhöz, beleértve a franciát is