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.
", "aboutText": "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.\n\nEl 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.\n\nLa 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.\n\nEsta 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.\n\nEn 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.\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 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.\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 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.\n\nPrepara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "95addc57fb4c56d35dbcb71795d93a75ceaff94a3968cc0a5ddc6dc9b7151f84", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "mistralai/voxtral-mini-transcribeVoxtral Mini Transcribe 2 convierte grabaciones en texto con diarización de hablantes, marcas de tiempo por palabra y orientación mediante vocabulario. Mistral documenta 13 idiomas y grabaciones de hasta tres horas para esta edición centrada 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 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.
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 los bytes del archivo 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 existente de medios bajo tu titularidad
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 $0.0001 por segundo de audio de entrada |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 original completo de la respuesta, estado y cabeceras reenviadas. Este manejador no añade una estructura JSON universal, un campo de texto ni un contenedor de tarea.
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 las cabeceras, 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 bajo tu titularidad y sus URL firmadas exactas de contenido; no vuelvas a enviar nunca 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 es válido. | 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 tiene acceso a este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene ninguna 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 necesita. | Siguiente pasoConserva la respuesta; utiliza la representación de entrada exigida por la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento, la ruta, el precio del método o la reserva necesarios no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · server_error | CondiciónEs necesario comprobar el resultado original, el uso o la liquidación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente bajo tu titularidad; no vuelvas a enviar la solicitud de creación. |
Ailoot Ultra mistralai/voxtral-mini-transcribe
Usa las rutas de método indicadas arriba.