Mistral: Voxtral Mini Transcribe 3

Mistral Voxtral Mini Transcribe 3 は、Mistral の音声認識からテキストへのモデルで、プロバイダーによって 2026 年 10 月 20 日にリリースされました。これは文字起こしカテゴリに属し、Mistral の Voxtral 文字起こしラインのコンパクトなメンバーであり、より大きなモデルを使わずに Mistral の音声認識を利用したい場合に検討すべき選択肢となります。api14 上のモデル id は mistralai/voxtral-mini-transcribe-3-0 です。

このモデルは音声のみを入力モダリティとして受け取り、文字起こしのみを出力として返します。文字起こし自体で際立つ機能は 2 つあります。タイムスタンプと話者ダイアライゼーションであり、これにより出力は何がいつ発言されたか、誰が発言したかを示すことができます。また、ドメイン用語のコンテキストバイアシングにも対応しており、汎用モデルでは聞き間違える可能性がある製品名、専門用語、固有名詞などの語彙に向けて認識を誘導できます。コンテキストウィンドウは 65,536 トークンで、最大出力は 52,428 トークンです。

これらの機能は、かなり特定の用途群を示しています。会議や通話の文字起こしは明らかな用途で、ダイアライゼーションが参加者を分離し、タイムスタンプによって文字起こしを録音と位置合わせできるためです。インタビューの文字起こしも同じパターンです。コンテキストバイアシングにより、このモデルは専門的な音声、たとえば臨床記録、法的手続き、技術講演、社内用語が頻繁に現れるカスタマーサポート通話などにより適したものになります。出力は要約や回答ではなく文字起こしであるため、下流で要約、抽出、検索インデックス作成が必要な場合は、通常その結果を別のテキストモデルに渡すことになります。

このモデルは、モデル id mistralai/voxtral-mini-transcribe-3-0 を使用し、音声を入力として送信して、api14 の OpenAI 互換 API を通じて呼び出します。このモデルは対応パラメータを一切リストしていないため、リクエストで調整できるサンプリングやデコーディングのつまみはありません。呼び出しは標準的な文字起こしの形に保ち、モデルのデフォルトに依存してください。特定の用語の認識に影響を与える必要がある場合、それはリクエストパラメータではなくコンテキストバイアシングの役割です。

主に検討すべき点は適用範囲です。これは音声入力と文字起こし出力のみを扱う文字起こしモデルであるため、音声について質問に答えたり、別のステップで翻訳したり、文字起こしを超えてテキストを生成したりすることはありません。ワークロードが音声ではなくテキストである場合、または受け取った内容について推論するモデルが必要な場合は、汎用テキストモデルの方が適しています。音声認識からテキストへの作業の中では、コンパクトな Mistral モデルでタイムスタンプ、ダイアライゼーション、ドメイン用語バイアシングを求める場合に、Voxtral Mini Transcribe 3 が最も適しています。