Indlæser kataloget…
Indlæser kataloget…
Mistral AIs offline Voxtral Mini Transcribe 2-model til flersproget tale til tekst med tidsstempler, taleradskillelse og struktureret uddata.
Oversigt. Voxtral Mini Transcribe 2 er Mistral AIs model til offline tale til tekst, udgivet den 4. februar 2026 i Voxtral Transcribe 2-modelfamilien (API-id voxtral-mini-2602). Den tager imod lyd samt valgfrie forespørgselsparametere (taleradskillelse, kontekstbias, sprog og tidsstempelpræcision) og returnerer transskriberet tekst, ikke generel chat. Udviklere bruger den til transskribering af filer eller klip, når de har brug for tidsstempler, sprogregistrering, taleradskillelse og struktureret tekst frem for en streaming-stemmemodel.
Vigtigste styrker. Leverandørdokumentationen beskriver tidsstempler på ordniveau, sprogregistrering, taleradskillelse, kontekstbiasing til domænespecifikt ordforråd og struktureret uddata. Mistral rapporterer, at den behandler lyd cirka tre gange hurtigere end en sammenlignelig transskriberingsmodel, så en færdig fil returneres hurtigere end i sanntid. Den dækker de 13 sprog, som Mistral dokumenterer: engelsk, kinesisk, hindi, spansk, arabisk, fransk, portugisisk, russisk, tysk, japansk, koreansk, italiensk og nederlandsk.
Anvendelsesområder. Brug denne model til offline transskribering af optagelser, når du har brug for talerbevidst eller struktureret tekst, og interaktiv svartid er tilstrækkelig. Den passer til enkle tale til tekst-opgaver, ikke til ræsonnering med mange trin, kodegenerering eller agentiske arbejdsflow. Smart Router placerer den i klassen for lav generel kvalitet med en interaktiv svartidsklasse og en enkel kompleksitetsprofil, da domænesignalet er koncentreret om talt kommunikation og er svagt til kode, matematik og agentiske opgaver.
Begrænsninger. Dette er offline-modellen Mini Transcribe, ikke streaming-udgaven Realtime, så den leverer ikke en direkte token-strøm. Den har ingen værktøjskald, billedforståelse, lyduddata eller udvidet tænkning; transskriberingsfunktionerne styres af forespørgselsparametere frem for instruktioner i fritekst. Parametertal, kontekstvindue, hvor træningsdataene slutter, og om der findes åbne vægte for netop dette API-id, er ikke bekræftet, så betragt den som en model, der drives af leverandøren, indtil disse detaljer offentliggøres.
| Inferensleverandør | Suverænitet | Kører i | Pris | Status | Fastgør |
|---|---|---|---|---|---|
| L1 | 0,00299 € per lydminut | Online |
20 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Lyd-nativ Voxtral-arkitektur kombineret med kompakt mini-størrelse gør den til et naturligt valg til stemmeagent-behandlingskæder med kort svartid, hvor taleforståelse er kernen.
Voxtral-linjen er Mistrals dedikerede lyd- og talemodelfamilie; mini 2602-varianten er specialbygget til tale-til-tekst med en praktisk kontekst på 16k til ytringer og transskription af korte sessioner.
Stemmeorienteret mini-model kan understøtte lydbaserede supportforløb; dybden som tekstbaseret chatbot er begrænset af den ukendte størrelse og manglen på markerede ræsonneringsfunktioner.
Lille dedikeret modelprofil rammer plet til letvægtsklassificering af tekst eller transskriberede lydetiketter.
Kontekst på 16k understøtter lyd fra korte til mellemlange møder efter transskription; mini-niveauet er kompetent til arbejdsflow med opsummering fra transskription, men ikke ideelt til optagelser på flere timer.
Kontekstvinduet på 16k er tilstrækkeligt til opsummering af korte dokumenter og transskriptioner; mini-niveauet er kompetent, når pris og hastighed er vigtigst.
Mini-model med taleforståelse kan placere korte lydbaserede eller tekstbaserede inddata i strukturerede felter, når skemaerne er enkle.
Hurtigt mini-aftryk passer til massetaggning af kort indhold eller klip fra opkald, hvor gennemløb er vigtigere end dyb ræsonnering.
Ingen værktøjer til kodeagenter, udvidet ræsonnering eller SWE-Bench-signal; et kontekstvindue på 16k og et design med fokus på lyd taler imod agentisk koding på repository-niveau.
Mangler markerede egenskaber for værktøjskald, billedforståelse og agentiske planlægningssignaler, som kræves til pålidelige loops til browserstyring.
OCR og dokumentforståelse ligger uden for anvendelsesområdet — ingen egenskaber for billedforståelse og et lydcentreret design.
Mini-model med fokus på lyd, begrænset kontekst og ingen benchmarks for kodning gør den til en svag reserve sammenlignet med dedikerede kodemodeller.
Et vindue på 16k og manglen på ræsonneringssignaler på forskningsniveau gør litteraturgennemgang af mange artikler til et dårligt match.
Kontekst på 16k og mini-niveauet begrænser kvaliteten af længere tekster sammenlignet med større generelle Mistral-tekstmodeller.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod transskription-modellerne på Stav.
Ingen benchmarkkilde endnu
curl https://api.stav.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $STAV_API_KEY" \
-F model="mistral-ai/voxtral-mini-2602" \
-F file="@meeting.mp3"→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på