Voxtral modeliai transkripcijai
Šiame puslapyje
Kursas atnaujintas 2026 m. lapkričio 3 d. Voxtral 3 versijai, remiantis „Mistral“ vadovu Migrate from Voxtral 2: Voxtral 2 modeliai (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), pasenę 2026 m. spalio 31 d. ir visiškai nutraukti 2027 m. balandžio 30 d., pavyzdžiuose pakeisti modeliaisvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3irvoxtral-mini-tts-3-0. Pagrindiniai pokyčiai: laiko žymės tik segmentų lygmenyje (wordgrąžina 400 klaidą), diarizacija galima realiuoju laiku, realiojo laiko sesijos nustatymai užrakomi po pirmojo garso fragmento ir laisvos formoscontext_biasįvestys (frazės su tarpais). Šaltiniai: Migrate from Voxtral 2 · Speech to Text.
Keturi modeliai, trys naudojimo atvejai
„Mistral AI“ siūlo kelis „Voxtral“ modelius kalbos apdorojimui, kiekvieną optimizuotą konkrečiai užduočiai: du skirti failams, vienas – realiajam laikui ir vienas – klausimų apie garso įrašus uždavimui. Tinkamo modelio pasirinkimas nėra tik konfigūracijos detalė; tai lemia, ką galėsite daryti toliau – naudoti laiko žymas, aptikti kalbėtojų perėjimus ar gauti atsakymus srautiniu režimu. Priimk šį sprendimą pirmiausia, prieš rašydamas bent vieną kodo eilutę.
Voxtral Mini Transcribe 3 – failų transkripcija
Tai numatytasis modelis neprisijungus atliekamai transkripcijai: jam siunti visą įrašą, o jis grąžina transkribuotą tekstą. Jo API identifikatorius yra voxtral-mini-transcribe-3 (aliasas voxtral-mini-transcribe-3-0).
Jis palaiko visas neprisijungus veikiant funkcijas: diarizacija identifikuoja kalbėtojus naudojant segmentų lygmens laiko žymas (žodžių lygmens laiko žymų Voxtral 3 versijoje nebėra), konteksto šališkumas įtraukia specifinę srities leksiką, o atsakymai gali būti teikiami srautiniu režimu. Modelis apima 50 kalbų ir 2026 m. lapkričio 3 d. kainuoja 0,0035 USD už garso minutę.
Praktiškai rinkis šį modelį, kai garso įrašas jau egzistuoja kaip failas: susitikimų įrašai, tinklalaidės, interviu, paskaitos arba medicininė bei teisinė transkripcija.
Minimalus kvietimo pavyzdys
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 – kai svarbus tikslumas
Didesnis ir tikslesnis modelis voxtral-small-transcribe-3 veikia tuo pačiu būdu. „Mistral“ rekomenduoja pradėti nuo „Mini“ modelio ir pereiti prie „Small“ tik tada, jei klaidos išlieka nepaisant naudojamos specializuotos žodyno bazės. Jo kaina – 0,004 USD už minutę.
Voxtral Mini Transcribe Realtime 3 – transkripcija realiuoju laiku
Šis modelis sukurtas srautinei transkripcijai. Jo API identifikatorius yra voxtral-mini-transcribe-realtime-3.
Jo delsą galima reguliuoti nuo 80 ms iki 1,2 sekundės arba 2,4 sekundės (target_streaming_delay_ms): architektūra transkribuoja garso duomenims plaukiant, nelaukdama sakinio pabaigos. Modelis apima 45 kalbas ir dialektus, aptinka kalbėtojo perėjimo pabaigą ir dabar gali atskirti kalbėtojus, tačiau ne abu šiuos dalykus vienoje sesijoje vienu metu. Jo segmentuose yra kalbėtojo etiketės, bet nėra pradžios ar pabaigos laiko žymų. Kaina – 0,008 USD už minutę. Naudok jį tiesioginiams subtitrams, balso asistentams, diktavimui arba konferencijų transkripcijai vykstant renginiui.
Minimalus kvietimo pavyzdys
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)
Ankstesnės kartos modelis voxtral-mini-transcribe-realtime-2602 (4 mlrd. parametrų) vis dar prieinamas kaip atviro svorio modelis pagal Apache 2.0 licenciją savarankiškam diegimui savo serveriuose.
Voxtral Small – daugiamodalis garso pokalbis
Trečiasis modelis priklauso kitai kategorijai. „Voxtral Small“, identifikatorius voxtral-small-latest – dokumentacijos duomenimis, Voxtral 3 paleidimo metu tai vis dar 2-osios kartos modelis – nėra grynas transkriberis, o pokalbių modelis, gebantis suprasti garsą. Jis priima garso failą kaip įvestį pokalbio metu ir atsako į tavo klausimus apie jo turinį, derindamas garso supratimą su teksto generavimu.
Šis skirtumas atsispindi kode: naudojamas /chat/completions galinis taškas, o ne `/audio/transcriptions”. Tu neklausysi jo „transkribuok šį failą“, o greičiau „apibendrink šį pokalbį“, „koks biudžetas buvo paminėtas“ arba „ar klientas išreiškė nepasitenkinimą“.
Kvietimo pavyzdys
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)
Pasirink per vieną minutę
Susidūręs su nauju projektu, klausk savęs apie dominuojantį poreikį, o ne apie turimas funkcijas. Toliau pateiktoje lentelėje apibendrinti dažniausiai pasitaikantys scenarijai.
| Tavo poreikis | Rekomenduojamas modelis |
|---|---|
| Įrašytas garso failas, teksto išvestis | Voxtral Mini Transcribe 3 |
| Tas pats, bet klaidos išlieka nepaisant specializuoto žodyno | Voxtral Small Transcribe 3 |
| Identifikuoti kalbėtojus su laiko žyma kiekvienam segmentui | Voxtral Mini arba Small Transcribe 3 (neprisijungus) |
| Transkribuoti gyvai (mikrofonas, garso srautas) | Voxtral Mini Transcribe Realtime 3 |
| Užduoti klausimus apie garso įrašą | Voxtral Small (pokalbis) |
| Diegti modelį savarankiškai | 2-osios kartos Voxtral Realtime, atviro svorio |
Dažna klaida – pasirinkti realiojo laiko modelį, nes jis atrodo modernesnis, ir vėlyvame projekto etape atrasti, kad reikalaujamoje ataskaitoje būtina datuoti kiekvieną pasisakymą: realiuoju laiku segmentuose nurodomas kalbėtojas, bet ne laikas. Jei tavo galutinis produktas turi atsakyti „kas ką pasakė ir kada“, neprisijungęs režimas išlieka tinkamu pasirinkimu.
Svarbiausi punktai
- Voxtral Mini Transcribe 3: failų transkripcija su diarizacija, konteksto šališkumu ir segmentų lygmens laiko žymomis
- Voxtral Small Transcribe 3: tos pačios galimybės, didesnis tikslumas, kai specializuoto žodyno nepakanka
- Voxtral Mini Transcribe Realtime 3: srautinis režimas su reguliuojama 80 ms delsa, kalbėtojo perėjimų aptikimas, diarizacija be laiko žymų
- Voxtral Small: garso pokalbis įrašų turiniui suprasti ir analizuoti
- 50 kalbų failams, 45 – realiajam laikui, įskaitant prancūzų kalbą