Mistral: Voxtral Mini Transcribe 3

Mistral Voxtral Mini Transcribe 3 ist ein Speech-to-Text-Modell von Mistral, das vom Anbieter am 20. Oktober 2026 veröffentlicht wurde. Es gehört zur Kategorie Transkription und ist das kompakte Mitglied von Mistrals Voxtral-Transkriptionslinie, was es zur Option macht, die man in Betracht zieht, wenn man Mistrals Spracherkennung ohne ein größeres Modell möchte. Seine Modell-ID auf api14 ist mistralai/voxtral-mini-transcribe-3-0.

Das Modell akzeptiert Audio als einzige Eingabemodalität und gibt ein Transkript als einzige Ausgabe zurück. Zwei Merkmale stechen im Transkript selbst hervor: Zeitstempel und Sprecherdiarisierung, sodass die Ausgabe angeben kann, wann etwas gesagt wurde und wer es gesagt hat. Es unterstützt außerdem Context Biasing für Fachbegriffe, womit man die Erkennung auf Vokabular wie Produktnamen, Jargon oder Eigennamen lenken kann, das ein allgemeines Modell möglicherweise falsch versteht. Das Kontextfenster beträgt 65.536 Token, und die maximale Ausgabe beträgt 52.428 Token.

Diese Fähigkeiten weisen auf eine ziemlich spezifische Gruppe von Aufgaben hin. Die Transkription von Meetings und Anrufen ist die offensichtliche, da die Diarisierung Teilnehmer trennt und Zeitstempel es ermöglichen, das Transkript mit einer Aufnahme abzugleichen. Die Transkription von Interviews folgt demselben Muster. Context Biasing macht das Modell besser geeignet für spezialisiertes Audio, zum Beispiel klinische Notizen, Gerichtsverfahren, technische Vorträge oder Kundensupport-Anrufe, in denen internes Fachvokabular häufig vorkommt. Da die Ausgabe ein Transkript und keine Zusammenfassung oder Antwort ist, würde man das Ergebnis typischerweise an ein separates Textmodell weitergeben, wenn man nachgelagert Zusammenfassung, Extraktion oder Suchindizierung benötigt.

Man ruft das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID mistralai/voxtral-mini-transcribe-3-0 auf und sendet Audio als Eingabe. Das Modell listet keine unterstützten Parameter auf, es gibt also keine Sampling- oder Decoding-Stellschrauben, die man in der Anfrage justieren könnte; halten Sie Ihre Aufrufe an der standardmäßigen Transkriptionsform und verlassen Sie sich auf die Standardwerte des Modells. Wenn Sie die Erkennung bestimmter Begriffe beeinflussen möchten, ist Context Biasing dafür da und nicht ein Anfrageparameter.

Der wichtigste Punkt zum Abwägen ist der Umfang. Dies ist ein Transkriptionsmodell mit Audio-Eingabe und ausschließlich Transkript-Ausgabe, es wird also keine Fragen zum Audio beantworten, nicht in einem separaten Schritt übersetzen oder Text über das Transkript hinaus generieren. Wenn Ihre Arbeitslast Text statt Sprache ist oder Sie ein Modell benötigen, das über den empfangenen Inhalt reasoning betreibt, ist ein allgemeines Textmodell die bessere Wahl. Innerhalb der Speech-to-Text-Arbeit passt Voxtral Mini Transcribe 3 am besten, wenn Sie Zeitstempel, Diarisierung und Domain-Term-Biasing in einem kompakten Mistral-Modell möchten.