Mistral: Voxtral Small Transcribe 3

Mistral: Voxtral Small Transcribe 3 は Mistral の音声テキスト変換モデルで、api14 の transcription カテゴリに掲載されています。Mistral のフラッグシップ文字起こしモデルと説明されており、プロバイダーのリリース日は 2026 年 10 月 20 日です。録音された音声を書き起こしたテキストにする作業が関わるなら、このプロバイダーの中で最初に検討すべきモデルファミリーです。

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、出力として文字起こしを返します。プロバイダーの説明によると、文字起こしにはタイムスタンプと話者ダイアリゼーションが含まれるため、いつ発言されたかと、誰が発言したかの指標の両方が得られます。またコンテキストバイアシングに対応しており、ドメイン固有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、最大出力は 52,428 トークンで、単一の文字起こしジョブとしては大きな上限です。

これらの機能は、かなり特定の用途群を示しています。会議や通話の録音は明らかな適合先です。タイムスタンプとダイアリゼーションがあれば、読みやすい議事録を作成したり、特定の話者の発言に飛んだりすることが実用的になります。インタビューの文字起こしも同じ 2 つの機能の恩恵を受けます。手作業で分割しなくても、インタビュアーと対象者を分離できるからです。コンテキストバイアシングは、技術、医療、法律、その他の専門的な場面で重要です。そうした場面では人名、頭字語、専門用語がよく現れ、汎用的な認識はそれらを誤りやすいからです。音声アーカイブの検索可能で時間に沿ったテキスト版が必要なワークフローは、このモデル上に構築できます。

これは api14 の OpenAI 互換 API を通じて、モデル id "mistralai/voxtral-small-transcribe-3-0" を使って呼び出します。インターフェースが OpenAI 形式に従っているため、既存の OpenAI クライアントを api14 に向け、統合を書き直すのではなくリクエスト内で音声を送信できます。このモデルの対応パラメーター一覧は空なので、エンドポイント自体が受け付ける範囲を超えて設定する追加の調整オプションはありません。リクエストは標準フィールドにとどめ、文字起こしはモデルに任せてください。このページのライブ価格表は、使用ごとに支払う金額を扱っています。

検討すべき点の 1 つは適用範囲です。このモデルは文字起こし専用に作られており、音声を入力してテキストを出力するため、チャット、推論、画像、一般的なテキスト生成のタスクには適していません。それらには汎用またはマルチモーダルモデルを選んでください。また調整可能なパラメーターを公開していないため、デコーディング動作を細かく制御する必要がある場合は、api14 上の別の文字起こしモデルがそれを提供しているか確認してください。タイムスタンプ、ダイアリゼーション、語彙バイアシングを備えた単純な音声テキスト変換には、直接適合します。