Modelli Voxtral per la trascrizione
In questa pagina
Corso aggiornato il 3 novembre 2026 per Voxtral 3, basato sulla guida Migrate from Voxtral 2 di Mistral: i modelli Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), deprecati il 31 ottobre 2026 e ritirati il 30 aprile 2027, sono sostituiti negli esempi davoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3evoxtral-mini-tts-3-0. Cambiamenti chiave: timestamping solo per segmento (wordrestituisce un errore 400), diarizzazione possibile in tempo reale, impostazioni della sessione in tempo reale bloccate dopo il primo chunk audio e inputcontext_biasin forma libera (frasi con spazi). Fonti: Migrate from Voxtral 2 · Speech to Text.
Quattro modelli, tre casi d’uso
Mistral AI offre diversi modelli Voxtral per l’elaborazione del parlato, ognuno ottimizzato per un compito specifico: due per i file, uno per il tempo reale e uno per porre domande sull’audio. Scegliere il modello giusto non è un dettaglio di configurazione; determina cosa potrai fare in seguito: timestamping, rilevamento dei turni di parola, risposte in streaming. Prendi questa decisione per prima, prima di scrivere una singola riga di codice.
Voxtral Mini Transcribe 3 — trascrizione di file
Questo è il modello predefinito per la trascrizione offline: gli invii una registrazione completa e restituisce il testo trascritto. Il suo identificativo API è voxtral-mini-transcribe-3 (un alias per voxtral-mini-transcribe-3-0).
Supporta tutte le funzionalità offline: la diarizzazione identifica gli oratori con timestamping a livello di segmento (il timestamping a livello di parola non esiste più in Voxtral 3), il context biasing inietta vocabolario specifico del dominio e le risposte possono essere inviate in streaming. Copre 50 lingue e costa 0,0035 $ al minuto di audio al 3 novembre 2026.
In pratica, scegli questo modello ogni volta che l’audio esiste già come file: registrazioni di riunioni, podcast, interviste, lezioni o trascrizioni mediche e legali.
Esempio di chiamata minima
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 — quando la precisione conta
Più grande e accurato, voxtral-small-transcribe-3 funziona allo stesso modo. Mistral consiglia di iniziare con il modello Mini e passare a Small solo se gli errori persistono nonostante l’uso di vocabolario personalizzato. Costa 0,004 $ al minuto.
Voxtral Mini Transcribe Realtime 3 — trascrizione in tempo reale
Questo modello è progettato per la trascrizione in streaming. Il suo identificativo API è voxtral-mini-transcribe-realtime-3.
La sua latenza è regolabile da 80 ms a 1,2 secondi, o 2,4 secondi (target_streaming_delay_ms): l’architettura trascrive man mano che l’audio arriva, invece di aspettare la fine di una frase. Copre 45 lingue e dialetti, rileva la fine dei turni di parola e ora può distinguere gli oratori, ma non entrambe le cose nella stessa sessione. I suoi segmenti includono etichette degli oratori ma non orari di inizio o fine. Costa 0,008 $ al minuto. Usalo per sottotitoli in diretta, assistenti vocali, dettatura o per trascrivere una conferenza mentre si svolge.
Esempio di chiamata minima
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)
La generazione precedente, voxtral-mini-transcribe-realtime-2602 (4 miliardi di parametri), rimane disponibile come pesi aperti (open weights) sotto licenza Apache 2.0 per l’auto-hosting sulle tue macchine.
Voxtral Small — chat audio multimodale
Il terzo modello cambia categoria. Voxtral Small, identificativo voxtral-small-latest—ancora un modello di generazione 2 al lancio di Voxtral 3, secondo la documentazione—non è un trascrittore puro ma un modello conversazionale capace di comprendere l’audio. Accetta un file audio come input in una conversazione chat e risponde alle tue domande sul suo contenuto, combinando la comprensione audio con la generazione di testo.
Questa differenza si riflette nel codice: usa l’endpoint /chat/completions, non /audio/transcriptions. Non gli chiederai “trascrivi questo file”, ma piuttosto “riassumi questa conversazione”, “quale budget è stato menzionato” o “il cliente ha espresso un reclamo”.
Esempio di chiamata
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)
Scegliere in un minuto
Quando affronti un nuovo progetto, chiediti qual è il bisogno dominante piuttosto che concentrarti sulle funzionalità disponibili. La tabella seguente riassume gli scenari più comuni.
| Il tuo bisogno | Modello consigliato |
|---|---|
| Un file audio registrato, output testuale | Voxtral Mini Transcribe 3 |
| Come sopra, con errori persistenti nonostante il vocabolario personalizzato | Voxtral Small Transcribe 3 |
| Identificare gli oratori con timestamp per ogni segmento | Voxtral Mini o Small Transcribe 3 (offline) |
| Trascrivere in diretta (microfono, stream audio) | Voxtral Mini Transcribe Realtime 3 |
| Porre domande sull’audio | Voxtral Small (chat) |
| Auto-hosting del modello | Voxtral Realtime Generazione 2, pesi aperti |
Un errore comune è scegliere il modello in tempo reale perché sembra più moderno, per poi scoprire tardi nel progetto che il report richiesto necessita di datare ogni intervento: in tempo reale, i segmenti includono l’oratore ma non l’orario. Se il tuo deliverable deve indicare “chi ha detto cosa e quando”, la modalità offline rimane la scelta giusta.
Punti chiave
- Voxtral Mini Transcribe 3: trascrizione di file con diarizzazione, context biasing e timestamping a livello di segmento
- Voxtral Small Transcribe 3: stesse capacità, maggiore precisione quando il vocabolario personalizzato non basta
- Voxtral Mini Transcribe Realtime 3: streaming con latenza regolabile da 80 ms, rilevamento dei turni, diarizzazione senza timestamping
- Voxtral Small: chat audio per comprendere e analizzare il contenuto delle registrazioni
- 50 lingue per i file, 45 per il tempo reale, incluso il francese