Mistral: Voxtral Mini Transcribe 3

Mistral Voxtral Mini Transcribe 3 är en tal-till-text-modell från Mistral, släppt av leverantören den 20 oktober 2026. Den tillhör kategorin transkribering och är den kompakta medlemmen i Mistrals Voxtral-transkriberingsserie, vilket gör den till alternativet att överväga när du vill ha Mistrals taligenkänning utan en större modell. Dess modell-id på api14 är mistralai/voxtral-mini-transcribe-3-0.

Modellen accepterar ljud som sin enda indatamodalitet och returnerar en transkription som sin enda utdata. Två funktioner sticker ut i själva transkriptionen: tidsstämplar och talardiarisering, så utdata kan berätta när något sades och vem som sade det. Den stöder även kontextbiasering för domäntermer, vilket låter dig styra igenkänningen mot ordförråd som produktnamn, jargong eller egennamn som en allmän modell kan höra fel. Kontextfönstret är 65 536 tokens, och maximal utdata är 52 428 tokens.

Dessa förmågor pekar mot en ganska specifik uppsättning arbetsuppgifter. Transkribering av möten och samtal är den uppenbara, eftersom diarisering separerar deltagare och tidsstämplar låter dig alignera transkriptionen med en inspelning. Transkribering av intervjuer följer samma mönster. Kontextbiasering gör modellen mer lämpad för specialiserat ljud, till exempel kliniska anteckningar, rättsliga förfaranden, tekniska föredrag eller kundsupportssamtal där intern terminologi förekommer ofta. Eftersom utdata är en transkription snarare än en sammanfattning eller ett svar, skulle du vanligtvis skicka resultatet till en separat textmodell om du behöver sammanfattning, extrahering eller sökindexering i efterföljande steg.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t mistralai/voxtral-mini-transcribe-3-0, och skickar ljud som indata. Modellen listar inga stödda parametrar, så det finns inga reglage för sampling eller avkodning att justera i begäran; håll dina anrop till standardformen för transkribering och förlita dig på modellens standardvärden. Om du behöver påverka igenkänningen av specifika termer är det vad kontextbiasering är till för snarare än en begärandeparameter.

Det viktigaste att väga in är omfattningen. Detta är en transkriberingsmodell med enbart ljudindata och transkriptionsutdata, så den kommer inte att svara på frågor om ljudet, översätta i ett separat steg eller generera text utöver transkriptionen. Om din arbetsbelastning är text snarare än tal, eller du behöver en modell som resonerar kring innehållet den tar emot, är en allmän textmodell det bättre valet. Inom tal-till-text-arbete passar Voxtral Mini Transcribe 3 bäst när du vill ha tidsstämplar, diarisering och domäntermbiasering i en kompakt Mistral-modell.