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.
", "aboutText": "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.\n\nSu 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.\n\nLa 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.\n\nEsta 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.\n\nEn 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.\n\nLa 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.\n\nEl 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.\n\nPrepara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0ed0cd8791f90b374886a4dff823702ecd3a1ff1b04998f3e6533b7eb5554b9e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "mistralai/voxtral-mini-transcribeVoxtral Mini Transcribe 2 convierte grabaciones en texto con diarización de hablantes, marcas de tiempo por palabra y orientación de vocabulario. Mistral documenta 13 idiomas y grabaciones de hasta tres horas para esta edición enfocada en transcripción, distinta de Voxtral Realtime.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/voxtral-mini-transcribe | Predeterminado— |
Campoinput_audio | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_audio |
Parámetromaterial_types | Contratoaudio |
Parámetromaterial_conditions | ContratoEl ejemplo lee tu archivo PCM WAV real y no vacío, codifica todos sus bytes en base64 y envía input_audio.format con el valor wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exacto de un registro multimedia existente que te pertenece
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuraciónsegundo de audio de entrada | Tabla de tarifas— | Unidad de facturaciónpor segundo de audio de entrada | Cargo Entrada · segundo de audio de entrada $0.0001 por segundo de audio de entrada |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'mistralai/voxtral-mini-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nCuerpo completo de la respuesta original, estado y encabezados reenviados. Este manejador no agrega una estructura JSON universal, un campo de texto ni una estructura contenedora de tareas.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales que te pertenecen y sus URL exactas de contenido firmadas; nunca vuelvas a enviar una creación incierta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl cuerpo JSON o el ID canónico explícito del modelo no son válidos. | Siguiente pasoConserva la respuesta y corrige el campo indicado de la solicitud. |
Respuesta401 · authentication_error | CondiciónLa clave API de Ailoot no es válida. | Siguiente pasoUsa tu clave API autorizada de Ailoot. |
Respuesta403 · permission_error | CondiciónEl grupo de la clave no admite este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene una ruta admitida. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta422 · price_unavailable | CondiciónLa tarifa aceptada no puede obtener la cantidad de entrada o el límite que requiere. | Siguiente pasoConserva la respuesta; usa la representación de entrada que requiere la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento requerido, la ruta, el precio del método o la reserva de fondos no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · server_error | CondiciónEl resultado original, el uso o la liquidación del cargo requieren verificación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente que te pertenece; no vuelvas a enviar la creación. |
Ailoot Ultra mistralai/voxtral-mini-transcribe
Usa las rutas de método indicadas arriba.