Mistral: Voxtral Small Transcribe 3

Mistral: Voxtral Small Transcribe 3 es un modelo de voz a texto de Mistral, listado en api14 dentro de la categoría de transcripción. Se describe como el modelo de transcripción insignia de Mistral, y su fecha de lanzamiento por el proveedor es el 20 de octubre de 2026. Si tu trabajo implica convertir voz grabada en texto escrito, esta es la familia de modelos que deberías considerar primero de este proveedor.

El modelo acepta audio como su única modalidad de entrada y devuelve una transcripción como salida. Según la descripción del proveedor, la transcripción incluye marcas de tiempo y diarización de hablantes, así que obtienes tanto cuándo se dijo algo como una indicación de quién lo dijo. También admite sesgo de contexto, que te permite orientar el reconocimiento hacia vocabulario específico de un dominio. La ventana de contexto es de 65.536 tokens, y la salida máxima es de 52.428 tokens, lo cual es un techo amplio para un solo trabajo de transcripción.

Esas capacidades apuntan a un conjunto de usos bastante específico. Las grabaciones de reuniones y llamadas encajan de forma evidente, porque las marcas de tiempo y la diarización hacen práctico producir actas legibles o saltar a las intervenciones de un hablante concreto. La transcripción de entrevistas se beneficia de las mismas dos funciones, ya que puedes separar al entrevistador del entrevistado sin dividir manualmente. El sesgo de contexto importa en entornos técnicos, médicos, legales o de otro tipo especializados, donde son comunes los nombres, las siglas y la jerga, y el reconocimiento genérico tiende a equivocarse con ellos. Cualquier flujo de trabajo que necesite una versión de texto buscable y alineada en el tiempo de un archivo de audio se puede construir sobre este modelo.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "mistralai/voxtral-small-transcribe-3-0". Como la interfaz sigue el formato de OpenAI, puedes apuntar un cliente de OpenAI existente a api14 y enviar audio en la solicitud en lugar de reescribir tu integración. La lista de parámetros admitidos del modelo está vacía, así que no hay opciones de ajuste adicionales que configurar más allá de lo que acepta el propio endpoint; limita tu solicitud a los campos estándar y deja que el modelo se encargue de la transcripción. La tabla de precios en vivo de esta página cubre lo que pagas por uso.

Un aspecto a sopesar es el alcance. Este modelo está diseñado solo para transcripción, con audio de entrada y texto de salida, así que no es la elección adecuada para tareas de chat, razonamiento, imagen o generación de texto general; elige un modelo de propósito general o multimodal para esas. Tampoco expone parámetros ajustables, así que si necesitas un control fino sobre el comportamiento de decodificación, comprueba si otro modelo de transcripción en api14 lo ofrece. Para voz a texto directo con marcas de tiempo, diarización y sesgo de vocabulario, encaja de forma directa.