Mistral: Voxtral Small Transcribe 3

Mistral: Voxtral Small Transcribe 3 é um modelo de fala para texto da Mistral, listado na api14 na categoria de transcrição. É descrito como o modelo de transcrição principal da Mistral, e a data de lançamento do fornecedor é 20 de outubro de 2026. Se o seu trabalho envolve transformar fala gravada em texto escrito, esta é a família de modelos a considerar primeiro deste fornecedor.

O modelo aceita áudio como a sua única modalidade de entrada e devolve uma transcrição como saída. De acordo com a descrição do fornecedor, a transcrição inclui carimbos temporais e diarização de falantes, pelo que obtém tanto quando algo foi dito como uma indicação de quem o disse. Também suporta enviesamento de contexto, que lhe permite direcionar o reconhecimento para vocabulário específico de um domínio. A janela de contexto é de 65.536 tokens, e a saída máxima é de 52.428 tokens, o que é um limite elevado para uma única tarefa de transcrição.

Estas capacidades apontam para um conjunto bastante específico de utilizações. Gravações de reuniões e chamadas são um encaixe óbvio, porque os carimbos temporais e a diarização tornam prático produzir atas legíveis ou saltar para as observações de um determinado falante. A transcrição de entrevistas beneficia das mesmas duas funcionalidades, uma vez que pode separar o entrevistador do entrevistado sem divisão manual. O enviesamento de contexto é importante em contextos técnicos, médicos, jurídicos ou de outra forma especializados, onde nomes, acrónimos e jargão são comuns e o reconhecimento genérico tende a falhar. Qualquer fluxo de trabalho que necessite de uma versão textual pesquisável e alinhada temporalmente de um arquivo de áudio pode ser construído sobre este modelo.

Chama-o através da API compatível com OpenAI da api14 usando o id de modelo "mistralai/voxtral-small-transcribe-3-0". Como a interface segue o formato OpenAI, pode apontar um cliente OpenAI existente para a api14 e enviar áudio no pedido em vez de reescrever a sua integração. A lista de parâmetros suportados do modelo está vazia, pelo que não há opções extra de afinação a definir para além do que o próprio endpoint aceita; mantenha o seu pedido nos campos padrão e deixe o modelo tratar da transcrição. A tabela de preços em direto nesta página cobre o que paga por utilização.

Uma coisa a ponderar é o âmbito. Este modelo é construído apenas para transcrição, com áudio a entrar e texto a sair, pelo que não é a escolha certa para chat, raciocínio, imagem ou tarefas de geração de texto geral; escolha um modelo de propósito geral ou multimodal para essas. Também não expõe parâmetros ajustáveis, pelo que, se precisar de controlo fino sobre o comportamento de descodificação, verifique se outro modelo de transcrição na api14 o oferece. Para fala para texto simples com carimbos temporais, diarização e enviesamento de vocabulário, é um encaixe direto.