Salt la conținutul principal
Română— Alege o limbă
Meniu

Modelele Voxtral pentru transcriere

Lecția 2 din 16 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Patru modele, trei cazuri de utilizare
  2. Voxtral Mini Transcribe 3 — transcrierea fișierelor
  3. Voxtral Small Transcribe 3 — când precizia contează
  4. Voxtral Mini Transcribe Realtime 3 — transcrierea în timp real
  5. Voxtral Small — chat audio multimodal
  6. Alegeți într-un minut
  7. Puncte cheie

Curs actualizat la 3 noiembrie 2026 pentru Voxtral 3, pe baza ghidului Migrate from Voxtral 2 de la Mistral: modelele Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), depreciate la 31 octombrie 2026 și retrase la 30 aprilie 2027, sunt înlocuite în exemple prin voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 și voxtral-mini-tts-3-0. Modificări cheie: marcarea temporală doar pe segment (parametrul word returnează o eroare 400), diarizare posibilă în timp real, setările sesiunii în timp real blocate după primul fragment audio și intrări context_bias în formă liberă (fraze cu spații). Surse: Migrate from Voxtral 2 · Speech to Text.

Patru modele, trei cazuri de utilizare

Mistral AI oferă mai multe modele Voxtral pentru procesarea vorbirii, fiecare optimizat pentru o sarcină specifică: două pentru fișiere, unul pentru timp real și unul pentru a pune întrebări despre conținutul audio. Alegerea modelului potrivit nu este un simplu detaliu de configurare; aceasta determină ce puteți face ulterior – marcarea temporală, detectarea schimbării interlocutorului sau răspunsuri în flux continuu. Luați această decizie primul, înainte de a scrie o singură linie de cod.

Voxtral Mini Transcribe 3 — transcrierea fișierelor

Acesta este modelul implicit pentru transcrierea offline: îi trimiteți o înregistrare completă, iar acesta returnează textul transcris. Identificatorul său API este voxtral-mini-transcribe-3 (un alias pentru voxtral-mini-transcribe-3-0).

Suportă toate funcțiile offline: diarizarea identifică vorbitorii cu marcarea temporală la nivel de segment (marcarea temporală la nivel de cuvânt nu mai există în Voxtral 3), biasul de context injectează vocabular specific domeniului, iar răspunsurile pot fi transmise în flux continuu. Acoperă 50 de limbi și costă 0,0035 USD pe minut de audio la data de 3 noiembrie 2026.

În practică, alegeți acest model ori de câte ori audio există deja sub formă de fișier: înregistrări ale ședințelor, podcast-uri, interviuri, prelegeri sau transcrieri medicale și juridice.

Exemplu de apel minimal

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 — când precizia contează

Mai mare și mai precis, voxtral-small-transcribe-3 funcționează în același mod. Mistral recomandă începerea cu modelul Mini și trecerea la Small doar dacă erorile persistă despite utilizarea unui vocabular personalizat. Costă 0,004 USD pe minut.

Voxtral Mini Transcribe Realtime 3 — transcrierea în timp real

Acest model este conceput pentru transcrierea în flux continuu. Identificatorul său API este voxtral-mini-transcribe-realtime-3.

Latența sa este ajustabilă de la 80 ms la 1,2 secunde sau 2,4 secunde (target_streaming_delay_ms): arhitectura transcrie pe măsură ce audio-ul sosește, în loc să aștepte sfârșitul unei propoziții. Acoperă 45 de limbi și dialecte, detectează sfârșitul intervențiilor și poate distinge acum vorbitorii – dar nu pe ambele în aceeași sesiune. Segmentele sale includ etichete pentru vorbitori, dar fără ore de start sau de sfârșit. Costă 0,008 USD pe minut. Utilizați-l pentru subtitrări live, asistenți vocali, dictare sau transcrierea unei conferințe în timp ce aceasta are loc.

Exemplu de apel minimal

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)

Generația anterioară, voxtral-mini-transcribe-realtime-2602 (4 miliarde de parametri), rămâne disponibilă ca greutăți deschise (open weights) sub licența Apache 2.0 pentru găzduire proprie pe propriile mașini.

Voxtral Small — chat audio multimodal

Al treilea model schimbă categoria. Voxtral Small, identificator voxtral-small-latest – încă un model de generația 2 la lansarea Voxtral 3, conform documentației – nu este un transcriptor pur, ci un model conversațional capabil să înțeleagă audio-ul. Acceptă un fișier audio ca intrare într-o conversație de chat și răspunde la întrebările dumneavoastră despre conținutul său, combinând înțelegerea audio cu generarea de text.

Această diferență se reflectă în cod: utilizează endpoint-ul /chat/completions, nu /audio/transcriptions. Nu îi veți cere „transcrie acest fișier“, ci mai degrabă „rezumă această conversație“, „ce buget a fost menționat“ sau „a exprimat clientul o plângere“.

Exemplu de apel

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)

Alegeți într-un minut

Când vă confruntați cu un proiect nou, întrebați-vă despre nevoia dominantă, nu despre funcțiile disponibile. Tabelul de mai jos rezumă cele mai comune scenarii.

Nevoia dumneavoastrăModel recomandat
Un fișier audio înregistrat, ieșire textVoxtral Mini Transcribe 3
La fel ca mai sus, cu erori care persistă despite vocabularul personalizatVoxtral Small Transcribe 3
Identificarea vorbitorilor cu marcarea temporală pentru fiecare segmentVoxtral Mini sau Small Transcribe 3 (offline)
Transcriere live (microfon, flux audio)Voxtral Mini Transcribe Realtime 3
Punerea de întrebări despre audioVoxtral Small (chat)
Găzduirea proprie a modeluluiVoxtral Realtime Generația 2, greutăți deschise

O greșeală frecventă este alegerea modelului în timp real deoarece pare mai modern, doar pentru a descoperi târziu în proiect că raportul așteptat necesită datarea fiecărei intervenții: în timp real, segmentele includ vorbitorul, dar nu și ora. Dacă livrabilul dumneavoastră trebuie să precizeze „cine a spus ce și când“, modul offline rămâne alegerea corectă.

Puncte cheie

  • Voxtral Mini Transcribe 3: transcrierea fișierelor cu diarizare, bias de context și marcarea temporală la nivel de segment
  • Voxtral Small Transcribe 3: aceleași capacități, precizie mai mare când vocabularul personalizat nu este suficient
  • Voxtral Mini Transcribe Realtime 3: flux continuu cu latență ajustabilă de la 80 ms, detectarea schimbării interlocutorului, diarizare fără marcarea temporală
  • Voxtral Small: chat audio pentru înțelegerea și analizarea conținutului înregistrărilor
  • 50 de limbi pentru fișiere, 45 pentru timp real, inclusiv limba franceză