Mistral: Voxtral Small Transcribe 3

Mistral: Voxtral Small Transcribe 3 to model zamiany mowy na tekst od Mistral, wymieniony na api14 w kategorii transkrypcji. Jest opisany jako flagowy model transkrypcji Mistral, a data wydania przez dostawcę to 20 października 2026. Jeśli Twoja praca polega na zamianie nagranej mowy na tekst pisany, to jest rodzina modeli, od której warto zacząć u tego dostawcy.

Model przyjmuje audio jako jedyny modalność wejściową i zwraca transkrypcję jako wynik. Zgodnie z opisem dostawcy transkrypcja zawiera znaczniki czasu i diaryzację mówców, więc otrzymujesz zarówno informację, kiedy coś powiedziano, jak i wskazanie, kto to powiedział. Obsługuje również stronniczość kontekstową, która pozwala ukierunkować rozpoznawanie na słownictwo specyficzne dla danej dziedziny. Okno kontekstu wynosi 65 536 tokenów, a maksymalna długość wyniku to 52 428 tokenów, co jest dużym limitem dla pojedynczego zadania transkrypcji.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Nagrania spotkań i rozmów pasują w oczywisty sposób, ponieważ znaczniki czasu i diaryzacja pozwalają praktycznie tworzyć czytelne protokoły lub przeskakiwać do wypowiedzi konkretnego mówcy. Transkrypcja wywiadów korzysta z tych samych dwóch funkcji, ponieważ można oddzielić prowadzącego od rozmówcy bez ręcznego dzielenia. Stronniczość kontekstowa ma znaczenie w środowiskach technicznych, medycznych, prawnych lub innych specjalistycznych, gdzie nazwy, akronimy i żargon są powszechne, a ogólne rozpoznawanie zwykle je myli. Na tym modelu można zbudować dowolny przepływ pracy, który wymaga przeszukiwalnej, zsynchronizowanej czasowo wersji tekstowej archiwum audio.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "mistralai/voxtral-small-transcribe-3-0". Ponieważ interfejs jest zgodny z formatem OpenAI, możesz skierować istniejącego klienta OpenAI na api14 i wysłać audio w żądaniu, zamiast przepisywać integrację. Lista obsługiwanych parametrów modelu jest pusta, więc nie ma dodatkowych opcji dostrajania poza tym, co akceptuje sam endpoint; ogranicz żądanie do standardowych pól i pozwól modelowi zająć się transkrypcją. Tabela aktualnych cen na tej stronie obejmuje to, co płacisz za użycie.

Jedną rzeczą, którą warto rozważyć, jest zakres. Ten model jest zbudowany wyłącznie do transkrypcji, z audio na wejściu i tekstem na wyjściu, więc nie jest właściwym wyborem do czatu, rozumowania, obrazów ani ogólnego generowania tekstu; do tych zadań wybierz model ogólnego przeznaczenia lub multimodalny. Nie udostępnia również parametrów, które można dostrajać, więc jeśli potrzebujesz precyzyjnej kontroli nad zachowaniem dekodowania, sprawdź, czy inny model transkrypcji na api14 ją oferuje. Do prostej zamiany mowy na tekst ze znacznikami czasu, diaryzacją i stronniczością słownictwa pasuje bezpośrednio.