Modeļi Voxtral transkripcijai
Šajā lapā
Kurss atjaunināts 2026. gada 3. novembrī priekš Voxtral 3, balstoties uz Mistral ceļvedi Pāreja no Voxtral 2: Voxtral 2 modeļi (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), kas tika deprecated 2026. gada 31. oktobrī un izslēgti 2027. gada 30. aprīlī, piemēros ir aizstāti arvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3unvoxtral-mini-tts-3-0. Galvenās izmaiņas: laika zīmogošana tikai pa segmentiem (wordatgriež 400 kļūdu), runātāju atpazīšana iespējama reāllaikā, reāllaika sesijas iestatījumi tiek bloķēti pēc pirmā audio fragmenta un brīvas formascontext_biasievades (frāzes ar atstarpēm). Avoti: Pāreja no Voxtral 2 · Runa tekstā.
Četri modeļi, trīs lietojuma gadījumi
Mistral AI piedāvā vairākus Voxtral modeļus runas apstrādei, katru optimizētu konkrētam uzdevumam: divi failiem, viens reāllaikam un viens jautājumu uzdošanai par audio saturu. Pareiza modeļa izvēle nav tikai konfigurācijas detaļa; tā nosaka, ko vari darīt tālāk – laika zīmogošanu, runas maiņas noteikšanu, atbilžu straumēšanu. Pieņem šo lēmumu vispirms, pirms raksti pirmo koda rindiņu.
Voxtral Mini Transcribe 3 — failu transkripcija
Šis ir noklusējuma modelis bezsaistes transkripcijai: tam nosūti pabeigtu ierakstu, un tas atgriež transkribēto tekstu. Tā API identifikators ir voxtral-mini-transcribe-3 (aliass priekš voxtral-mini-transcribe-3-0).
Tas atbalsta visas bezsaistes funkcijas: runātāju atpazīšana identificē runātājus ar laika zīmogošanu segmenta līmenī (vārda līmeņa laika zīmogošana vairs nepastāv Voxtral 3), konteksta biasēšana ievada nozarei specifisku vārdu krājumu, un atbildes var tikt straumētas. Tas aptver 50 valodas un maksā 0,0035 USD par audio minūti, sākot no 2026. gada 3. novembra.
Praksē izvēlies šo modeli, kad audio jau eksistē kā fails: sapulču ieraksti, apraides, intervijas, lekcijas vai medicīniskās un juridiskās transkripcijas.
Minimāls izsaukuma piemērs
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 — kad precizitāte ir svarīga
Lielāks un precīzāks, voxtral-small-transcribe-3 strādā tāpat. Mistral iesaka sākt ar Mini modeli un pāriet uz Small tikai tad, ja kļūdas saglabājas, neskatoties uz pielāgotas vārdu krājuma izmantošanu. Tā cena ir 0,004 USD par minūti.
Voxtral Mini Transcribe Realtime 3 — reāllaika transkripcija
Šis modelis ir paredzēts straumēšanas transkripcijai. Tā API identifikators ir voxtral-mini-transcribe-realtime-3.
Tā latentumu var regulēt no 80 ms līdz 1,2 sekundēm vai 2,4 sekundēm (target_streaming_delay_ms): arhitektūra transkribē audio pienākšanas brīdī, nevis gaida teikuma beigās. Tas aptver 45 valodas un dialektus, nosaka runas maiņas beigas un tagad spēj atšķirt runātājus – bet ne abus vienā sesijā. Tā segmentos ir runātāju etiķetes, bet nav sākuma vai beigu laika zīmogu. Tas maksā 0,008 USD par minūti. Izmanto to tiešraides subtitriem, balss asistentiem, diktēšanai vai konferences transkripcijai tās norises laikā.
Minimāls izsaukuma piemērs
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)
Iepriekšējās paaudzes modelis voxtral-mini-transcribe-realtime-2602 (4 miljardi parametru) joprojām ir pieejams kā atvērti svari zem Apache 2.0 licences pašmitināšanai savās iekārtās.
Voxtral Small — multimodāla audio čata saruna
Trešais modelis maina kategoriju. Voxtral Small, identifikators voxtral-small-latest – joprojām 2. paaudzes modelis Voxtral 3 laišanas brīdī, saskaņā ar dokumentāciju – nav tīrs transkribētājs, bet gan sarunu modelis, kas spēj saprast audio. Tas pieņem audio failu kā ievadi čata sarunā un atbild uz taviem jautājumiem par tā saturu, apvienojot audio izpratni ar teksta ģenerēšanu.
Šī atšķirība atspoguļojas kodā: tas izmanto /chat/completions galapunktu, nevis /audio/transcriptions. Tu tam nejautāsi „transkribē šo failu”, bet gan „apkopo šo sarunu”, „kāds budžets tika pieminēts” vai „vai klients izteica sūdzību”.
Izsaukuma piemērs
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)
Izvēlies vienas minūtes laikā
Saskaroties ar jaunu projektu, jautā sev par dominējošo vajadzību, nevis par pieejamajām funkcijām. Zemāk esošā tabula apkopo visbiežāk sastopamos scenārijus.
| Tava vajadzība | Ieteicamais modelis |
|---|---|
| Ierakstīts audio fails, teksta izvade | Voxtral Mini Transcribe 3 |
| Tas pats, kas augstāk, ar kļūdām, kas saglabājas neskatoties uz pielāgotu vārdu krājumu | Voxtral Small Transcribe 3 |
| Identificēt runātājus ar laika zīmogu katram segmentam | Voxtral Mini vai Small Transcribe 3 (bezsaiste) |
| Transkribēt tiešraidē (mikrofons, audio plūsma) | Voxtral Mini Transcribe Realtime 3 |
| Uzdot jautājumus par audio | Voxtral Small (čats) |
| Pašmitināt modeli | 2. paaudzes Voxtral Realtime, atvērti svari |
Bieža kļūda ir izvēlēties reāllaika modeli, jo tas šķiet modernāks, tikai lai projekta vēlīnā stadijā atklātu, ka paredzētajam ziņojumam ir nepieciešams datēt katru iejaukšanos: reāllaikā segmentos ir norādīts runātājs, bet ne laiks. Ja tavam izstrādājumam ir jānorāda „kurš ko teica un kad”, bezsaistes režīms paliek pareizā izvēle.
Galvenās atziņas
- Voxtral Mini Transcribe 3: failu transkripcija ar runātāju atpazīšanu, konteksta biasēšanu un segmenta līmeņa laika zīmogošanu
- Voxtral Small Transcribe 3: tās pašas iespējas, augstāka precizitāte, ja nepietiek ar pielāgotu vārdu krājumu
- Voxtral Mini Transcribe Realtime 3: straumēšana ar regulējamu latentumu no 80 ms, runas maiņas noteikšana, runātāju atpazīšana bez laika zīmogošanas
- Voxtral Small: audio čats ieraksta satura izpratnei un analīzei
- 50 valodas failiem, 45 reāllaikam, ieskaitot franču valodu