Mistral: Voxtral Mini Transcribe

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

El fabricante documenta diarización de hablantes y tiempos de inicio y fin para que una transcripción pueda mostrar quién habló y cuándo. Las marcas de tiempo por palabra permiten subtítulos, búsqueda de audio y alineación entre un pasaje textual y su posición en una grabación. La guía del productor permite granularidad temporal por segmento o por palabra. Para una entrevista, un resultado útil es una secuencia de pasajes atribuidos con tiempos; para preparar subtítulos, los tiempos por palabra o segmento pueden orientar un paso posterior de subtitulado, en lugar de obligar a inferirlos del texto de una transcripción simple.

La orientación por contexto acepta hasta 100 palabras o frases que guían al modelo hacia la grafía prevista 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 de vocabulario específica del tema de la grabación en lugar de un glosario sin relación. Un ejemplo original proporcionaría los nombres de proyectos y los términos especializados que probablemente aparezcan en una discusión técnica y después comprobaría esas grafías en la transcripción completada.

Esta edición admite trece idiomas: inglés, chino, hindi, español, árabe, francés, portugués, ruso, alemán, japonés, coreano, italiano y neerlandés. El fabricante también documenta robustez frente al ruido y grabaciones de hasta tres horas en una única solicitud. Estas características pertenecen al flujo de grabaciones de Mini Transcribe 2; las indicaciones de contexto y duración del modelo original de comprensión de audio 2507 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 transcripción.

En el flujo documentado del productor, el audio puede proporcionarse como archivo cargado, identificador de un archivo previamente cargado o grabación referenciada. La demostración de carga adjunta 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 pertinente. Para material extenso, conserva su identificador y el origen temporal para que los fragmentos o ediciones posteriores sigan siendo trazables 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 su valor predeterminado es false. La guía señala que timestamp_granularities y un ajuste explícito del idioma 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 hablante, la orientación mediante vocabulario y los tiempos deben seleccionarse según el resultado previsto, no darse por supuestos en 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 tanto, una transcripción etiquetada no debe tratarse como un registro exhaustivo de todas las intervenciones simultáneas. Para registrar una reunión, revisa los solapamientos difíciles y los nombres o cifras importantes frente a la grabación. La finalidad del modelo es la transcripción; el resumen, la traducción o el análisis pueden ser tareas separadas basadas en esa transcripción. Voxtral Realtime tiene un perfil de latencia independiente para transcripción en directo, mientras que la generación de voz pertenece a otros modelos.

Prepara el resultado para su siguiente uso. Un flujo de reuniones puede conservar la transcripción, las etiquetas de hablante y los tiempos antes de que una etapa separada extraiga decisiones; un flujo multimedia puede utilizar los tiempos para localizar pasajes y redactar subtítulos; una grabación con mucha terminología puede incluir la lista específica de orientación por contexto y una revisión de las grafías resultantes. El entregable útil es texto vinculado a su grabación de origen y a los metadatos configurados, manteniendo esta edición de transcripción numerada separada del modelo Mini original y de los nombres latest que cambian con las actualizaciones.