Modele Voxtral do transkrypcji
Na tej stronie
Kurs zaktualizowany 3 listopada 2026 r. dla Voxtral 3, na podstawie przewodnika Mistral Migrate from Voxtral 2: modele Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603'), wycofane 31 października 2026 r. i całkowicie usunięte 30 kwietnia 2027 r., zostały zastąpione w przykładach przezvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3orazvoxtral-mini-tts-3-0. Kluczowe zmiany: znaczniki czasu tylko na poziomie segmentu (wordzwraca błąd 400), diarization możliwa w czasie rzeczywistym, ustawienia sesji rzeczywistej blokowane po pierwszym fragmencie audio oraz dane wejściowecontext_bias` w formie dowolnego tekstu (frazy ze spacjami). Źródła: Migrate from Voxtral 2 · Speech to Text.
Cztery modele, trzy przypadki użycia
Mistral AI oferuje kilka modeli Voxtral do przetwarzania mowy, z których każdy jest zoptymalizowany pod konkretne zadanie: dwa do plików, jeden do pracy w czasie rzeczywistym i jeden do zadawania pytań dotyczących treści audio. Wybór właściwego modelu to nie tylko kwestia konfiguracji; decyduje on o tym, co będziesz mógł zrobić dalej – czy dodasz znaczniki czasu, wykryjesz zmiany mówców czy otrzymasz odpowiedzi strumieniowane. Podejmij tę decyzję jako pierwszą, zanim napiszesz choćby jedną linię kodu.
Voxtral Mini Transcribe 3 — transkrypcja plików
To domyślny model do transkrypcji offline: wysyłasz mu gotowy recording, a on zwraca przepisany tekst. Jego identyfikator w API to voxtral-mini-transcribe-3 (alias dla voxtral-mini-transcribe-3-0).
Obsługuje wszystkie funkcje trybu offline: diarization identyfikuje mówców wraz ze znacznikami czasu na poziomie segmentów (znaczniki czasu na poziomie słów nie istnieją już w Voxtral 3), biasowanie kontekstu wprowadza słownictwo specyficzne dla danej dziedziny, a odpowiedzi mogą być strumieniowane. Model obsługuje 50 języków i kosztuje 0,0035 USD za minutę audio (stan na 3 listopada 2026 r.).
W praktyce wybieraj ten model zawsze, gdy audio istnieje już jako plik: nagrania ze spotkań, podcasty, wywiady, wykłady czy transkrypcje medyczne i prawne.
Przykład minimalnego wywołania
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 — gdy liczy się precyzja
Większy i dokładniejszy model voxtral-small-transcribe-3 działa w ten sam sposób. Mistral zaleca rozpoczęcie pracy od modelu Mini i przejście na Small tylko wtedy, gdy błędy utrzymują się mimo zastosowania niestandardowego słownictwa. Kosztuje 0,004 USD za minutę.
Voxtral Mini Transcribe Realtime 3 — transkrypcja w czasie rzeczywistym
Ten model został zaprojektowany do transkrypcji strumieniowej. Jego identyfikator w API to voxtral-mini-transcribe-realtime-3.
Jego opóźnienie jest regulowane od 80 ms do 1,2 sekundy, a nawet 2,4 sekundy (target_streaming_delay_ms): architektura transkrybuje dane w miarę ich napływania, zamiast czekać na koniec zdania. Obsługuje 45 języków i dialektów, wykrywa końce wypowiedzi i potrafi teraz rozróżniać mówców – ale nie obie te funkcje jednocześnie w tej samej sesji. Segmenty zawierają etykiety mówców, ale nie mają czasów rozpoczęcia ani zakończenia. Kosztuje 0,008 USD za minutę. Używaj go do napisów na żywo, asystentów głosowych, dyktowania lub transkrypcji konferencji w trakcie jej trwania.
Przykład minimalnego wywołania
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)
Poprzednia generacja, voxtral-mini-transcribe-realtime-2602 (4 miliardy parametrów), pozostaje dostępna jako open weights na licencji Apache 2.0 do samodzielnego hostowania na własnych serwerach.
Voxtral Small — multimodalny czat audio
Trzeci model zmienia kategorię. Voxtral Small, identyfikator voxtral-small-latest – wciąż będący modelem drugiej generacji w momencie premiery Voxtral 3, zgodnie z dokumentacją – nie jest czystym transkryptorem, lecz modelem konwersacyjnym zdolnym do rozumienia audio. Przyjmuje plik audio jako dane wejściowe w rozmowie czatowej i odpowiada na Twoje pytania dotyczące jego treści, łącząc rozumienie audio z generowaniem tekstu.
Różnica ta widoczna jest w kodzie: używa endpointu /chat/completions, a nie /audio/transcriptions. Nie poprosisz go „przepisz ten plik“, lecz raczej „podsumuj tę rozmowę“, „jaki budżet został wspomniany“ lub „czy klient zgłosił reklamację“.
Przykład wywołania
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)
Wybór w jedną minutę
Stając przed nowym projektem, zastanów się nad dominującą potrzebą, a nie nad dostępnymi funkcjami. Poniższa tabela podsumowuje najczęstsze scenariusze.
| Twoja potrzeba | Zalecany model |
|---|---|
| Nagrany plik audio, wynik tekstowy | Voxtral Mini Transcribe 3 |
| To samo co wyżej, ale błędy utrzymują się mimo niestandardowego słownictwa | Voxtral Small Transcribe 3 |
| Identyfikacja mówców ze znacznikiem czasu dla każdego segmentu | Voxtral Mini lub Small Transcribe 3 (offline) |
| Transkrypcja na żywo (mikrofon, strumień audio) | Voxtral Mini Transcribe Realtime 3 |
| Zadawanie pytań dotyczących audio | Voxtral Small (czat) |
| Samodzielny hosting modelu | Voxtral Realtime generacji 2, open weights |
Częstym błędem jest wybór modelu czasu rzeczywistego, ponieważ wydaje się nowocześniejszy, by dopiero pod koniec projektu odkryć, że wymagany raport musi zawierać datowanie każdej wypowiedzi: w trybie rzeczywistym segmenty zawierają informacje o mówcy, ale nie o czasie. Jeśli Twój deliverable musi stwierdzać „kto powiedział co i kiedy“, tryb offline pozostaje właściwym wyborem.
Kluczowe wnioski
- Voxtral Mini Transcribe 3: transkrypcja plików z diarization, biasowaniem kontekstu i znacznikami czasu na poziomie segmentów
- Voxtral Small Transcribe 3: te same możliwości, wyższa precyzja, gdy niestandardowe słownictwo nie wystarcza
- Voxtral Mini Transcribe Realtime 3: strumieniowanie z regulowanym opóźnieniem od 80 ms, wykrywanie zmian mówcy, diarization bez znaczników czasu
- Voxtral Small: czat audio do rozumienia i analizy treści nagrań
- 50 języków dla plików, 45 dla czasu rzeczywistego, w tym język francuski