Mistral: Voxtral Small Transcribe 3

Mistral: Voxtral Small Transcribe 3 är en tal-till-text-modell från Mistral, listad på api14 under kategorin transkription. Den beskrivs som Mistrals flaggskeppsmodell för transkription, och leverantörens releasedatum är 20 oktober 2026. Om ditt arbete innebär att omvandla inspelat tal till skriven text är detta den modellfamilj du först bör titta på från denna leverantör.

Modellen accepterar ljud som sin enda indatamodalitet och returnerar en transkription som utdata. Enligt leverantörens beskrivning innehåller transkriptionen tidsstämplar och talardiarisering, så du får både när något sades och en indikation på vem som sade det. Den stöder även kontextbiasering, vilket låter dig styra igenkänningen mot domänspecifik vokabulär. Kontextfönstret är 65 536 tokens, och maximal utdata är 52 428 tokens, vilket är ett stort tak för ett enskilt transkriptionsjobb.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsområden. Inspelningar av möten och samtal passar uppenbart, eftersom tidsstämplar och diarisering gör det praktiskt att producera läsbara protokoll eller att hoppa till en viss talares yttranden. Intervjutranskription drar nytta av samma två funktioner, eftersom du kan separera intervjuare från intervjuobjekt utan manuell uppdelning. Kontextbiasering är viktig i tekniska, medicinska, juridiska eller på annat sätt specialiserade sammanhang, där namn, akronymer och jargong är vanliga och generisk igenkänning tenderar att få dem fel. Alla arbetsflöden som behöver en sökbar, tidsjusterad textversion av ett ljudarkiv kan byggas på denna modell.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id "mistralai/voxtral-small-transcribe-3-0". Eftersom gränssnittet följer OpenAI-formatet kan du peka en befintlig OpenAI-klient mot api14 och skicka ljud i begäran istället för att skriva om din integration. Modellens lista över stödda parametrar är tom, så det finns inga extra justeringsalternativ att ställa in utöver vad själva endpointen accepterar; håll din begäran till standardfälten och låt modellen hantera transkriptionen. Den live-pristabell på denna sida täcker vad du betalar per användning.

En sak att väga in är omfattningen. Denna modell är byggd enbart för transkription, med ljud in och text ut, så den är inte rätt val för chatt, resonemang, bild eller allmän textgenerering; välj en generell eller multimodal modell för dessa. Den exponerar inte heller några justerbara parametrar, så om du behöver fin kontroll över avkodningsbeteende, kontrollera om en annan transkriptionsmodell på api14 erbjuder det. För enkel tal-till-text med tidsstämplar, diarisering och vokabulärbiasering är den en direkt passande lösning.