Mistral: Voxtral Small Transcribe 3

Mistral: Voxtral Small Transcribe 3 ist ein Speech-to-Text-Modell von Mistral, das auf api14 in der Kategorie Transkription gelistet ist. Es wird als Mistrals Flaggschiff-Transkriptionsmodell beschrieben, und das Veröffentlichungsdatum des Anbieters ist der 20. Oktober 2026. Wenn Ihre Arbeit darin besteht, aufgezeichnete Sprache in geschriebenen Text umzuwandeln, ist dies die Modellfamilie, die Sie bei diesem Anbieter zuerst betrachten sollten.

Das Modell akzeptiert Audio als einzige Eingabemodalität und gibt eine Transkription als Ausgabe zurück. Laut der Anbieterbeschreibung enthält das Transkript Zeitstempel und Sprecherdiarisierung, sodass Sie sowohl erhalten, wann etwas gesagt wurde, als auch einen Hinweis darauf, wer es gesagt hat. Es unterstützt außerdem Context Biasing, mit dem Sie die Erkennung auf domänenspezifisches Vokabular lenken können. Das Kontextfenster beträgt 65.536 Token, und die maximale Ausgabe liegt bei 52.428 Token, was eine große Obergrenze für einen einzelnen Transkriptionsauftrag darstellt.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungsfällen hin. Aufzeichnungen von Meetings und Anrufen passen offensichtlich, weil Zeitstempel und Diarisierung es praktikabel machen, lesbare Protokolle zu erstellen oder direkt zu den Äußerungen eines bestimmten Sprechers zu springen. Die Transkription von Interviews profitiert von denselben beiden Funktionen, da Sie Interviewer und Befragten ohne manuelle Aufteilung trennen können. Context Biasing ist in technischen, medizinischen, rechtlichen oder anderweitig spezialisierten Umgebungen wichtig, in denen Namen, Akronyme und Fachjargon häufig vorkommen und generische Erkennung sie tendenziell falsch erfasst. Jeder Workflow, der eine durchsuchbare, zeitlich ausgerichtete Textversion eines Audioarchivs benötigt, kann auf diesem Modell aufgebaut werden.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "mistralai/voxtral-small-transcribe-3-0" auf. Da die Schnittstelle dem OpenAI-Format folgt, können Sie einen vorhandenen OpenAI-Client auf api14 richten und Audio in der Anfrage senden, statt Ihre Integration neu zu schreiben. Die Liste der unterstützten Parameter des Modells ist leer, es gibt also keine zusätzlichen Tuning-Optionen über das hinaus, was der Endpunkt selbst akzeptiert; beschränken Sie Ihre Anfrage auf die Standardfelder und lassen Sie das Modell die Transkription übernehmen. Die Live-Preistabelle auf dieser Seite deckt ab, was Sie pro Nutzung zahlen.

Ein Punkt, den man abwägen sollte, ist der Umfang. Dieses Modell ist ausschließlich für Transkription ausgelegt, mit Audio als Eingabe und Text als Ausgabe, es ist also nicht die richtige Wahl für Chat-, Reasoning-, Bild- oder allgemeine Textgenerierungsaufgaben; wählen Sie für diese ein Allzweck- oder multimodales Modell. Es bietet außerdem keine einstellbaren Parameter, wenn Sie also feine Kontrolle über das Dekodierungsverhalten benötigen, prüfen Sie, ob ein anderes Transkriptionsmodell auf api14 dies anbietet. Für unkomplizierte Speech-to-Text-Transkription mit Zeitstempeln, Diarisierung und Vokabular-Biasing ist es eine direkte Passung.