Modeli Voxtral za prepisovanje
Na tej strani
Tečaj posodobljen 3. novembra 2026 za Voxtral 3, na podlagi Mistralovega vodnika Migrate from Voxtral 2: modeli Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603, ki so bili opuščeni 31. oktobra 2026 in umaknjeni 30. aprila 2027) so v primerih nadomeščeni z modelivoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3invoxtral-mini-tts-3-0. Ključne spremembe: časovni žigi samo po segmentih (wordvrne napako 400), ločevanje govorcev mogoče v realnem času, nastavitve seje v realnem času zaklenjene po prvem zvočnem delčku in vhodicontext_biasv prosti obliki (besedne zveze s presledki). Viri: Migrate from Voxtral 2 · Speech to Text.
Štirje modeli, trije primeri uporabe
Mistral AI ponuja več modelov Voxtral za obdelavo govora, od katerih je vsak optimiziran za specifično nalogo: dva za datoteke, en za delo v realnem času in en za postavljanje vprašanj o zvoku. Izbira pravega modela ni le tehnična podrobnost; določa, kaj lahko narediš naprej – časovno označevanje, zaznavanje menjavanja govorcev, pretakanje odgovorov. To odločitev sprejmi najprej, preden napišeš vrstico kode.
Voxtral Mini Transcribe 3 – prepisovanje datotek
To je privzeti model za offline prepisovanje: pošlješ mu celoten posnetek in vrne prepisano besedilo. Njegov identifikator API je voxtral-mini-transcribe-3 (alias za voxtral-mini-transcribe-3-0).
Podpira vse funkcije za offline delo: diarizacija identificira govorce s časovnimi žigi na ravni segmentov (časovni žigi na ravni besed v Voxtral 3 ne obstajajo več), prilagajanje konteksta vbrizga besedišče specifično za domeno, odgovori pa se lahko pretakajo. Pokriva 50 jezikov in stane 0,0035 USD na minuto zvoka (stanje na dan 3. novembra 2026).
V praksi ta model izberi vedno, ko zvok že obstaja kot datoteka: posnetki sestankov, podkasti, intervjuji, predavanja ali medicinski in pravni prepisi.
Minimalen primer klica
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 – ko je pomembna natančnost
Večji in natančnejši model voxtral-small-transcribe-3 deluje na enak način. Mistral priporoča, da začneš z modelom Mini in preklopiš na Small šele, če se napake nadaljujejo kljub uporabi prilagojenega besedišča. Stane 0,004 USD na minuto.
Voxtral Mini Transcribe Realtime 3 – prepisovanje v realnem času
Ta model je zasnovan za prepisovanje s pretokom. Njegov identifikator API je voxtral-mini-transcribe-realtime-3.
Njegova zakasnitev je nastavljiva od 80 ms do 1,2 sekunde ali 2,4 sekunde (target_streaming_delay_ms): arhitektura prepisuje zvok, ko ta prispe, namesto da bi čakala na konec stavka. Pokriva 45 jezikov in narečij, zaznava konce govorov in zdaj lahko razlikuje govorce – vendar obeh funkcij ne moreš uporabiti v isti seji. Njegovi segmenti vključujejo oznake govorcev, ne pa tudi časov začetka ali konca. Stane 0,008 USD na minuto. Uporabi ga za žive napise, glasovne pomočnike, diktiranje ali prepisovanje konference, medtem ko ta poteka.
Minimalen primer klica
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)
Prejšnja generacija, voxtral-mini-transcribe-realtime-2602 (4 milijarde parametrov), ostaja na voljo kot odprte uteži pod licenco Apache 2.0 za samostojno gostovanje na lastnih strojih.
Voxtral Small – večmodalni zvočni klepet
Tretji model spada v drugo kategorijo. Voxtral Small, identifikator voxtral-small-latest – ob zagonu Voxtral 3 še vedno model generacije 2, glede na dokumentacijo – ni čisti prepisovalnik, temveč pogovorni model, ki zmore razumeti zvok. Kot vhod v pogovorno sejo sprejme zvočno datoteko in odgovori na tvoja vprašanja o njeni vsebini, s čimer združuje razumevanje zvoka z generiranjem besedila.
Ta razlika je vidna v kodi: uporablja končno točko /chat/completions, ne /audio/transcriptions. Ne boš ga prosil „prepiši to datoteko”, temveč raje „povzemi ta pogovor”, „kakšen proračun je bil omenjen” ali „ali je stranka izrazila pritožbo”.
Primer klica
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)
Izbira v eni minuti
Ko se soočiš z novim projektom, se vprašaj po prevladujoči potrebi, ne po razpoložljivih funkcijah. Spodnja tabela povzema najpogostejše scenarije.
| Tvoja potreba | Priporočeni model |
|---|---|
| Posneta zvočna datoteka, izhod v besedilu | Voxtral Mini Transcribe 3 |
| Enako kot zgoraj, z napakami, ki vztrajajo kljub prilagojenemu besedišču | Voxtral Small Transcribe 3 |
| Identifikacija govorcev s časovnim žigom za vsak segment | Voxtral Mini ali Small Transcribe 3 (offline) |
| Prepisovanje v živo (mikrofon, zvočni tok) | Voxtral Mini Transcribe Realtime 3 |
| Postavljanje vprašanj o zvoku | Voxtral Small (klepet) |
| Samostojno gostovanje modela | Voxtral Realtime generacije 2, odprte uteži |
Pogosta napaka je izbira modela za realni čas, ker deluje sodobneje, šele pozno v projektu pa ugotoviš, da zahtevano poročilo potrebuje časovno opredelitev vsakega prispevka: v realnem času segmenti vključujejo govorca, ne pa tudi časa. Če mora tvoja končna obveznost navajati „kdo je kaj rekel in kdaj”, ostaja offline način prava izbira.
Ključne ugotovitve
- Voxtral Mini Transcribe 3: prepisovanje datotek z diarizacijo, prilagajanjem konteksta in časovnimi žigi na ravni segmentov
- Voxtral Small Transcribe 3: enake zmogljivosti, večja natančnost, ko prilagojeno besedišče ne zadošča
- Voxtral Mini Transcribe Realtime 3: pretok z nastavljivo zakasnitvijo od 80 ms, zaznavanje menjavanja govorcev, diarizacija brez časovnih žigov
- Voxtral Small: zvočni klepet za razumevanje in analizo vsebine posnetkov
- 50 jezikov za datoteke, 45 za realni čas, vključno s francoščino