Mistral: Voxtral Small Transcribe 3

Mistral: Voxtral Small Transcribe 3 è un modello speech-to-text di Mistral, elencato su api14 nella categoria transcription. È descritto come il modello di trascrizione di punta di Mistral, e la data di rilascio del provider è il 20 ottobre 2026. Se il tuo lavoro prevede la conversione di parlato registrato in testo scritto, questa è la famiglia di modelli da considerare per prima presso questo provider.

Il modello accetta audio come unica modalità di input e restituisce una trascrizione come output. Secondo la descrizione del provider, la trascrizione include timestamp e speaker diarization, quindi ottieni sia quando è stato detto qualcosa sia un'indicazione di chi lo ha detto. Supporta anche il context biasing, che consente di orientare il riconoscimento verso un vocabolario specifico del dominio. La context window è di 65.536 token, e l'output massimo è di 52.428 token, un limite ampio per un singolo job di trascrizione.

Queste capacità indicano un insieme piuttosto specifico di utilizzi. Le registrazioni di riunioni e chiamate sono un caso d'uso ovvio, perché timestamp e diarization rendono pratico produrre verbali leggibili o saltare alle osservazioni di un particolare speaker. La trascrizione di interviste beneficia delle stesse due funzionalità, poiché puoi separare l'intervistatore dall'intervistato senza suddivisione manuale. Il context biasing è importante in contesti tecnici, medici, legali o comunque specialistici, dove nomi, acronimi e gergo sono comuni e il riconoscimento generico tende a sbagliarli. Qualsiasi workflow che richieda una versione testuale ricercabile e allineata temporalmente di un archivio audio può essere costruito su questo modello.

Lo invochi tramite l'API compatibile con OpenAI di api14 usando il model id "mistralai/voxtral-small-transcribe-3-0". Poiché l'interfaccia segue il formato OpenAI, puoi indirizzare un client OpenAI esistente verso api14 e inviare l'audio nella richiesta invece di riscrivere la tua integrazione. La lista dei parametri supportati dal modello è vuota, quindi non ci sono opzioni di tuning aggiuntive da impostare oltre a quelle accettate dall'endpoint stesso; mantieni la richiesta sui campi standard e lascia che il modello gestisca la trascrizione. La tabella dei prezzi live su questa pagina copre quanto paghi per uso.

Una cosa da valutare è l'ambito. Questo modello è pensato solo per la trascrizione, con audio in input e testo in output, quindi non è la scelta giusta per chat, reasoning, immagini o generazione di testo generale; per quelli scegli un modello general purpose o multimodale. Inoltre non espone parametri regolabili, quindi se ti serve un controllo fine sul comportamento di decoding, verifica se un altro modello di trascrizione su api14 lo offre. Per uno speech-to-text semplice con timestamp, diarization e vocabulary biasing, è una scelta diretta.