Laster katalogen …
Laster katalogen …
Mistral AIs offline-modell Voxtral Mini Transcribe 2 for flerspråklig tale-til-tekst med tidsstempler, talerdiarisering og strukturert utdata.
Oversikt. Voxtral Mini Transcribe 2 er Mistral AIs offline-modell for tale-til-tekst, lansert 4. februar 2026 i Voxtral Transcribe 2-familien (API-id voxtral-mini-2602). Den tar lydinndata og valgfrie forespørselsparametere (diarisering, kontekstforankring, språk og tidsstempelgranularitet) og returnerer transkribert tekst – ikke generell chat. Utviklere bruker den til å transkribere filer eller klipp når de trenger tidsstempler, språkgjenkjenning, talerdiarisering og strukturert tekst, fremfor en strømmende talemodell.
Viktigste styrker. Leverandørdokumentasjonen beskriver tidsstempler på ordnivå, språkgjenkjenning, taler-diarisering, kontekstforankring for fagvokabular og strukturerte utdata. Mistral oppgir at modellen behandler lyd omtrent tre ganger raskere enn en sammenlignbar transkripsjonmodell, slik at en ferdig fil returneres raskere enn sanntid. Dekningen er flerspråklig på tvers av de 13 språkene Mistral dokumenterer: engelsk, kinesisk, hindi, spansk, arabisk, fransk, portugisisk, russisk, tysk, japansk, koreansk, italiensk og nederlandsk.
Når du bør bruke den. Bruk denne til offline-transkripsjon av opptak når du trenger talerarskilt eller strukturert tekst, og interaktiv svartid er tilstrekkelig. Den passer til enkel tale-til-tekst-oppgaver, ikke til resonnering i flere steg, koding eller agentiske arbeidsflyter. Smart Router plasserer den i det lave nivået for generell kvalitet med en interaktiv svartidsklasse og enkel kompleksitetstilpasning, fordi dominesignalet er konsentrert om talespråklig kommunikasjon og er svakt for kode, matematikk og agentiske oppgaver.
Begrensninger. Dette er offline-varianten Voxtral Mini Transcribe 2, ikke strømmende Realtime-søskenmodellen, og den leverer derfor ikke en direkte tokenstrøm. Den har ingen verktøykall, bildeinndata, lydutdata eller utvidet resonnering; transkripsjonsfunksjonene styres av forespørselsparametere, ikke av fritekstinstrukser. Antall parametere, kontekstvindu, når treningsdataene slutter og offentlige vekter for denne eksakte API-id-en er ikke bekreftet, så behandle den som en hostet transkripsjonmodell inntil disse detaljene er publisert.
| Inferensleverandør | Suverenitet | Kjører i | Pris | Status | Lås |
|---|---|---|---|---|---|
| L1 | 0,00296 € per lydminutt | Tilkoblet |
20 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
Lydnativ Voxtral-arkitektur kombinert med kompakt ministørrelse gjør den til et naturlig valg for taleagentbehandlingskjeder med kort svartid, der taleforståelse er kjernesløyfen.
Voxtral-linjen er Mistrals dedikerte modellfamilie for lyd og tale; mini 2602-varianten er spesialbygd for tale-til-tekst med et praktisk 16k kontekstvindu for enkeltytringer og korte sesjoner.
Profilen som en liten, dedikert modell passer godt til lettvektsklassifisering av tekst eller transkriberte lydlabeler.
Lydorientert minimodell kan støtte støtteflyter med lydaktivering; dybden for tekstbaserte chatboter begrenses av upublisert størrelse og manglende resonneringsfunksjoner.
Raskt miniavtrykk passer til massemerking av kort innhold eller samtaleutdrag der gjennomstrømning veier tyngre enn dyp resonnering.
16k kontekst støtter kort til middels lange møteopptak etter transkripsjon; minisjiktet er kompetent for arbeidsflyter der man oppsummerer fra transkripsjon, men er ikke ideelt for opptak på flere timer.
16k kontekstvindu er tilstrekkelig for oppsummering av korte dokumenter og transkripsjoner; minisjiktet er kompetent når kostnad og hastighet veier tyngst.
Kompakt lydmodell egner seg til intensjonsklassifisering og ruting av korte tale- eller tekstytringer der kort svartid veier tyngre enn dyp trinnvis resonnering.
Ingen verktøy for kodeagenter, utvidet resonnering eller SWE-Bench-signal; 16k kontekstvindu og lydorientert design taler mot agentisk koding i repositorystørrelse.
OCR og dokumentvisjon er utenfor rekkevidde – ingen visjonsflagg og lydorientert design.
Lydorientert minimodell med begrenset kontekst og ingen kodeytelsesmålinger er et svakt valg sammenlignet med dedikerte kodemodeller.
16k kontekst og minisjiktet begrenser kvaliteten på vedvarende langtekstgenerering sammenlignet med større generelle Mistral-tekstmodeller.
16k kontekstvindu og manglende signal for resonnering i forskningsskala gjør gjennomgang av flere vitenskapelige artikler til et dårlig valg.
Mangler signal for verktøykall, visjon og agentisk planlegging som kreves for pålitelige nettleserkontrollsløyfer.
Innhentede tall, ikke våre egne evalueringer. Persentilene er mot transkripsjon-modellene på Stav.
Ingen benchmarkkilde ennå
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 – nivået forespørselen ble betjent på