Mistral: Voxtral Mini Transcribe 3

Mistral Voxtral Mini Transcribe 3 to model zamiany mowy na tekst od Mistral, wydany przez dostawcę 20 października 2026. Należy do kategorii transkrypcji i jest kompaktowym członkiem linii transkrypcyjnej Voxtral od Mistral, co czyni go opcją do rozważenia, gdy chcesz korzystać z rozpoznawania mowy Mistral bez większego modelu. Jego identyfikator modelu na api14 to mistralai/voxtral-mini-transcribe-3-0.

Model przyjmuje audio jako jedyny modalność wejściowy i zwraca transkrypt jako jedyne wyjście. W samym transkrypcie wyróżniają się dwie funkcje: znaczniki czasu i diaryzacja mówców, więc wynik może powiedzieć, kiedy coś powiedziano i kto to powiedział. Obsługuje także stronniczość kontekstową dla terminów dziedzinowych, co pozwala ukierunkować rozpoznawanie na słownictwo, takie jak nazwy produktów, żargon lub nazwy własne, które ogólny model mógłby błędnie usłyszeć. Okno kontekstu wynosi 65 536 tokenów, a maksymalne wyjście to 52 428 tokenów.

Te możliwości wskazują na dość konkretny zestaw zadań. Transkrypcja spotkań i rozmów jest oczywista, ponieważ diaryzacja rozdziela uczestników, a znaczniki czasu pozwalają dopasować transkrypt do nagrania. Transkrypcja wywiadów przebiega według tego samego wzorca. Stronniczość kontekstowa sprawia, że model lepiej nadaje się do specjalistycznego audio, na przykład notatek klinicznych, postępowań prawnych, wystąpień technicznych lub rozmów z obsługą klienta, w których często pojawia się wewnętrzna terminologia. Ponieważ wyjściem jest transkrypt, a nie podsumowanie lub odpowiedź, zazwyczaj przekażesz wynik do oddzielnego modelu tekstowego, jeśli potrzebujesz podsumowania, ekstrakcji lub indeksowania wyszukiwania w dalszym przetwarzaniu.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu mistralai/voxtral-mini-transcribe-3-0, wysyłając audio jako dane wejściowe. Model nie wymienia żadnych obsługiwanych parametrów, więc nie ma pokręteł próbkowania ani dekodowania do dostrojenia w żądaniu; trzymaj się standardowego kształtu transkrypcji i polegaj na domyślnych ustawieniach modelu. Jeśli chcesz wpłynąć na rozpoznawanie konkretnych terminów, do tego służy stronniczość kontekstowa, a nie parametr żądania.

Najważniejszą rzeczą do rozważenia jest zakres. To model transkrypcyjny z wejściem audio i wyjściem wyłącznie w postaci transkryptu, więc nie odpowie na pytania dotyczące audio, nie przetłumaczy w osobnym kroku ani nie wygeneruje tekstu poza transkryptem. Jeśli Twoje obciążenie pracą dotyczy tekstu, a nie mowy, lub potrzebujesz modelu, który rozumuje nad otrzymaną treścią, lepszym wyborem będzie ogólny model tekstowy. W ramach pracy związanej z zamianą mowy na tekst Voxtral Mini Transcribe 3 najlepiej pasuje, gdy chcesz znaczniki czasu, diaryzację i stronniczość terminów dziedzinowych w kompaktowym modelu Mistral.