Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 es la edición de Voxtral de Mistral AI enfocada en transcripción, identificada en la ficha de su desarrollador como voxtral-mini-2602. Está diseñada para transcripción por lotes basada en grabaciones, en lugar del papel más amplio de preguntas y respuestas del modelo original Voxtral Mini 3B. La entrada es audio y el resultado es texto transcrito, enriquecido opcionalmente con etiquetas de hablantes e información temporal. Los usos prácticos incluyen transcripciones de reuniones, análisis de entrevistas, registros de llamadas con varias personas y texto alineado con medios grabados.

Su desarrollador documenta diarización de hablantes y tiempos de inicio y fin para que una transcripción muestre quién habló y cuándo. Las marcas de tiempo por palabra permiten subtítulos, búsqueda en audio y alineación entre un pasaje de texto y su posición en una grabación. La guía de su desarrollador permite granularidad temporal por segmento o por palabra. Para una entrevista, un artefacto útil es una secuencia de pasajes atribuidos con sus tiempos; para preparar subtítulos, los tiempos por palabra o segmento pueden orientar una etapa posterior de subtitulado en lugar de obligar a inferirlos a partir de texto de transcripción simple.

La orientación por contexto acepta hasta 100 palabras o frases que guían al modelo hacia la escritura deseada de nombres, términos técnicos y vocabulario de un dominio. Mistral indica que esta función está optimizada para inglés y que su compatibilidad con otros idiomas es experimental. Prepara una lista enfocada de vocabulario a partir del tema de la grabación, en lugar de un glosario ajeno. Un ejemplo original proporcionaría los nombres de proyectos y términos especializados que probablemente aparezcan en una discusión técnica, y después comprobaría esas grafías en la transcripción terminada.

Esta edición admite trece idiomas: inglés, chino, hindi, español, árabe, francés, portugués, ruso, alemán, japonés, coreano, italiano y neerlandés. Su desarrollador también documenta resistencia al ruido y grabaciones de hasta tres horas en una sola solicitud. Estas propiedades pertenecen al flujo de grabaciones de Mini Transcribe 2; las declaraciones de contexto y duración del modelo original 2507 de comprensión de audio describen otra versión. La detección automática del idioma está disponible, y la guía indica que proporcionar explícitamente un idioma de audio conocido puede mejorar la precisión de la transcripción.

En el flujo documentado de su desarrollador, el audio se puede proporcionar como archivo cargado, identificador de un archivo cargado previamente o grabación referenciada. La demostración de carga que lo acompaña acepta grabaciones MP3, WAV, M4A, FLAC y OGG; elige uno de estos formatos para el flujo de carga demostrado. Mantén la grabación decodificable e incluye el habla relevante. Para material extenso, conserva su identificador y origen temporal para que cualquier extracto o edición posterior siga siendo rastreable a la fuente.

La referencia de transcripción devuelve el texto y el idioma detectado, con segmentos cuando se solicitan, y documenta por separado eventos de transcripción en streaming. La diarización es opcional y tiene false como valor predeterminado. La guía señala que timestamp_granularities y un ajuste explícito de language no son compatibles actualmente, por lo que debes elegir el flujo temporal deseado o la indicación manual de idioma en lugar de combinarlos. La transcripción con etiquetas de hablantes, la orientación de vocabulario y los tiempos deben seleccionarse según el resultado previsto, sin asumirlos a partir de una solicitud básica.

El habla superpuesta es una limitación sustantiva: Mistral indica que el modelo normalmente transcribe a un solo hablante cuando las voces se superponen. Por ello, una transcripción etiquetada no debe tratarse como un registro exhaustivo de todas las intervenciones simultáneas. Para un registro de reunión, revisa contra la grabación las superposiciones difíciles y los nombres o cifras importantes. El propósito del modelo es transcribir; un resumen, una traducción o un análisis pueden ser una tarea separada basada en esa transcripción. Voxtral Realtime tiene un perfil separado de latencia para transcripción en vivo, mientras que la generación de voz corresponde a otros modelos.

Prepara el resultado para su siguiente uso. Un flujo de reuniones puede conservar la transcripción, las etiquetas de hablantes y los tiempos antes de que una etapa separada extraiga decisiones; un flujo multimedia puede usar los tiempos para localizar pasajes y preparar subtítulos; una grabación con mucha terminología puede incluir la lista enfocada de orientación por contexto y una revisión de las grafías resultantes. El entregable útil es texto vinculado con su grabación fuente y los metadatos configurados, y mantiene esta edición numerada de transcripción distinta del modelo Mini original y de los nombres variables latest.