Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Modeller från Voxtral för transkribering

Lektion 2 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Fyra modeller, tre användningsområden
  2. Voxtral Mini Transcribe 3 – filtranskribering
  3. Voxtral Small Transcribe 3 – när precision är avgörande
  4. Voxtral Mini Transcribe Realtime 3 – realtidstranskribering
  5. Voxtral Small – multimodal ljudchatt
  6. Välj på en minut
  7. Viktiga punkter

Kursen uppdaterad den 3 november 2026 för Voxtral 3, baserat på Mistral:s guide Migrate from Voxtral 2: Voxtral 2-modeller (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), som avvecklades den 31 oktober 2026 och tas bort helt den 30 april 2027, ersätts i exemplen med voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 och voxtral-mini-tts-3-0. Viktiga ändringar: tidsstämplar endast per segment (word returnerar ett 400-fel), möjlighet till talardifferentiering i realtid, inställningar för realtidssessioner låsta efter första ljudklippet, och fritextinmatning för context_bias (fraser med mellanslag). Källor: Migrate from Voxtral 2 · Speech to Text.

Fyra modeller, tre användningsområden

Mistral AI erbjuder flera Voxtral-modeller för ljudbehandling, var och en optimerad för en specifik uppgift: två för filer, en för realtid och en för att ställa frågor om ljud. Att välja rätt modell är inte en konfigurationsdetalj; det avgör vad du kan göra härnäst – tidsstämplar, talardetektering eller strömmande svar. Fatta detta beslut först, innan du skriver en enda rad kod.

Voxtral Mini Transcribe 3 – filtranskribering

Detta är standardmodellen för offlinetranskribering: du skickar en komplett inspelning och får tillbaka den transkriberade texten. Dess API-identifierare är voxtral-mini-transcribe-3 (en alias för voxtral-mini-transcribe-3-0).

Den stöder alla offlinefunktioner: talardifferentiering identifierar talare med tidsstämplar på segmentnivå (tidsstämplar på ordnivå finns inte längre i Voxtral 3), kontextjustering matar in domänspecifikt ordförråd och svar kan strömmas. Den täcker 50 språk och kostar 0,0035 USD per minut ljud från och med den 3 november 2026.

I praktiken väljer du denna modell när ljudet redan finns som en fil: mötesinspelningar, poddar, intervjuer, föreläsningar eller medicinsk och juridisk transkribering.

Minimalt anropsexempel

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 – när precision är avgörande

voxtral-small-transcribe-3 är större och mer exakt, men fungerar på samma sätt. Mistral rekommenderar att du börjar med Mini-modellen och byter till Small endast om fel kvarstår trots användning av anpassat ordförråd. Den kostar 0,004 USD per minut.

Voxtral Mini Transcribe Realtime 3 – realtidstranskribering

Denna modell är designad för strömmande transkribering. Dess API-identifierare är voxtral-mini-transcribe-realtime-3.

Dess latens är justerbar från 80 ms till 1,2 sekunder, eller 2,4 sekunder (target_streaming_delay_ms): arkitekturen transkriberar medan ljudet anländer istället för att vänta på slutet av en mening. Den täcker 45 språk och dialekter, detekterar talskiften och kan nu skilja mellan talare – men inte båda delarna i samma session. Dess segment innehåller talaretiketter men inga start- eller sluttider. Den kostar 0,008 USD per minut. Använd den för live-undertexter, röstassistenter, diktering eller för att transkribera en konferens medan den pågår.

Minimalt anropsexempel

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)

Föregående generation, voxtral-mini-transcribe-realtime-2602 (4 miljarder parametrar), finns fortfarande tillgänglig som öppna vikter under Apache 2.0-licensen för egen hosting på dina egna maskiner.

Voxtral Small – multimodal ljudchatt

Den tredje modellen tillhör en annan kategori. Voxtral Small, identifierare voxtral-small-latest – som fortfarande är en generation 2-modell vid lanseringen av Voxtral 3 enligt dokumentationen – är inte en ren transkriberare utan en konversationsmodell som kan förstå ljud. Den accepterar en ljudfil som indata i en chattkonversation och svarar på dina frågor om innehållet, vilket kombinerar ljudförståelse med textgenerering.

Denna skillnad syns i koden: den använder slutpunkten /chat/completions, inte /audio/transcriptions. Du ber den inte “transkribera denna fil” utan snarare “sammanfatta denna konversation”, “vilken budget nämndes” eller “uttryckte kunden ett klagomål”.

Anropsexempel

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)

Välj på en minut

När du står inför ett nytt projekt ska du fråga dig själv vad det dominerande behovet är, snarare än vilka funktioner som finns tillgängliga. Tabellen nedan sammanfattar de vanligaste scenarierna.

Ditt behovRekommenderad modell
En inspelad ljudfil, text som utdataVoxtral Mini Transcribe 3
Samma som ovan, med fel som kvarstår trots anpassat ordförrådVoxtral Small Transcribe 3
Identifiera talare med tidsstämpel för varje segmentVoxtral Mini eller Small Transcribe 3 (offline)
Transkribera live (mikrofon, ljudström)Voxtral Mini Transcribe Realtime 3
Ställa frågor om ljudVoxtral Small (chatt)
Hosta modellen självGeneration 2 Voxtral Realtime, öppna vikter

Ett vanligt misstag är att välja realtidsmodellen för att den verkar mer modern, bara för att sent i projektet upptäcka att den förväntade rapporten kräver datering av varje inlägg: i realtid innehåller segmenten talaren men inte tiden. Om din leverans måste ange “vem som sa vad, och när”, är offlineläget fortfarande det rätta valet.

Viktiga punkter

  • Voxtral Mini Transcribe 3: filtranskribering med talardifferentiering, kontextjustering och tidsstämplar på segmentnivå
  • Voxtral Small Transcribe 3: samma funktioner, högre precision när anpassat ordförråd inte räcker till
  • Voxtral Mini Transcribe Realtime 3: strömning med justerbar latens från 80 ms, detektering av talskiften, talardifferentiering utan tidsstämplar
  • Voxtral Small: ljudchatt för att förstå och analysera inspelningars innehåll
  • 50 språk för filer, 45 för realtid, inklusive franska