Primäre Verwendung angegeben oder vorsichtig aus offizieller Dokumentation abgeleitet.
M
MISTRAL / voxtral-mini-transcribe-realtime-3-0
Voxtral Mini Transcribe Realtime 3
Am 20. Oktober 2026 von Mistral vorgestelltes Streaming-Transkriptionsmodell. Die aktuelle Anleitung nennt 45 Sprachen und Dialekte. Es verwendet WebSocket, liefert inkrementellen Text und ergänzt Erkennung des Endes eines Redebeitrags, Sprecherlabels und context_bias. Es erzeugt keine Sprache und übernimmt nicht automatisch die Offline-Funktionen von Small. Die versionierte Kennung unterscheidet es von Aliasnamen, deren Version sich ändern kann.
01 / ZUSAMMENFASSUNG
Das Wesentliche
Maximale Eingabekapazität bei Veröffentlichung durch die Quelle.
Dokumentierte maximale Erzeugungsgrenze.
Verifizierte Verfügbarkeitskanäle.
Primäre Funktionsfamilie und verifizierte Spezialisierungen.
Deklarierte Bedingungen für API, Gewichte oder Self-Hosting.
02 / TECHNISCHES DATENBLATT
Limits und Integration
| API-ID | voxtral-mini-transcribe-realtime-3-0 |
|---|---|
| Modelltyp | Sprache und Audio |
| Zugangsmodell | Kostenpflichtig proprietär |
| Lizenz | Proprietär |
| Einsatz | Gehostete API |
| Veröffentlichung | 20 OCT 2026 |
| Wissensstichtag | Nicht veröffentlicht |
| Eingang | Audio |
| Ausfahrt | Text |
| Kontextfenster | Audiositzung über WebSocket |
| maximale Leistung | Transkribierter Text |
| Schlussfolgern | Nicht veröffentlicht |
| Veröffentlichte Tools | |
| Strukturierte Ausflüge | Nicht veröffentlicht |
| Stapelverarbeitung | Nicht veröffentlicht |
| Prompt-Cache | Nicht veröffentlicht |
| Feinabstimmung | Nicht veröffentlicht |
| Verifizierte Plattformen | Mistral API |
Live-Untertitel und Sprachschnittstellen, die inkrementellen Text benötigen. Die Konfiguration wird vor dem ersten Audio gesendet; spätere Änderungen führen zu einem Fehler. Die Latenzeinstellungen erlauben ganzzahlige Werte von 80 bis 1.200 ms oder 2.400 ms, nicht jeden Zwischenwert. Dies sind Modelloptionen, keine Garantie der gesamten Netzwerk- und Anwendungslatenz.
Prüfe Verbindungswiederherstellung, verlorenes Audio und das Erkennen des Endes eines Redebeitrags, bevor du Aktionen automatisierst. Die 45 Sprachen und Dialekte stammen aus der spezifischen Anleitung, die aktueller ist als die allgemeinen Angaben der Ankündigung. Verwechsle Sprechererkennung nicht mit biometrischer Identifizierung. Audio kann personenbezogene Daten enthalten: Begrenze Aufbewahrung und Zugriff, informiere die Betroffenen und prüfe Fehler in lauten Umgebungen.
03 / FÄHIGKEITEN
Was es kann
Orientierung
Live-Untertitel und Sprachschnittstellen, die inkrementellen Text benötigen. Die Konfiguration wird vor dem ersten Audio gesendet; spätere Änderungen führen zu einem Fehler. Die Latenzeinstellungen erlauben ganzzahlige Werte von 80 bis 1.200 ms oder 2.400 ms, nicht jeden Zwischenwert. Dies sind Modelloptionen, keine Garantie der gesamten Netzwerk- und Anwendungslatenz.
Kontext
Audiositzung über WebSocket · Transkribierter Text
Tools und Integration
Nicht veröffentlicht
Zugang
Mistral API
Eingabemodalitäten
Audio
04 / PREISE
Dokumentierte Kosten
| Konzept | Wert | Einheit/Zustand |
|---|---|---|
| Standardeingabe | 0,008 USD / Min. | Standardtarif der API |
| Eingabe aus dem Cache | Nicht veröffentlicht | Lesen wiederverwendeter Präfixe |
| Schreiben oder Speichern im Cache | Nicht veröffentlicht | Die Bedingung variiert je nach Anbieter |
| Standardausgabe | Im Audiotarif enthalten | Kann Reasoning-Tokens enthalten |
| Batch-Eingabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
| Batch-Ausgabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
Öffentliche Dollarpreise pro Audiominute oder Million Zeichen, abhängig von der Variante; dies sind keine Tokenpreise. Die numerischen Felder pro Million Tokens bleiben leer, um falsche Vergleiche zu vermeiden. Prüfe vor der Integration Abrechnungsbedingungen und Verfügbarkeit. Privater Unternehmenseinsatz erfordert eine gesonderte Vereinbarung; herunterladbare Gewichte dieser Varianten wurden nicht veröffentlicht.
i Die Preise ändern sich und können von Level, Region oder Kontextlänge abhängen. Überprüfen Sie die Quelle, bevor Sie eine Entscheidung treffen.
05 / BEWERTUNGEN
So lesen Sie die Ergebnisse
“
Die Ankündigung beschreibt eine FLEURS-Evaluation mit einer Teilmenge von 35 Sprachen, wobei für Japanisch, Koreanisch und Chinesisch CER verwendet wird. Dieser Evaluationsdatensatz entspricht nicht der gesamten angegebenen Sprachabdeckung. Wir haben weder sprachspezifische Werte verifiziert noch die Ergebnisse reproduziert. Vergleiche Genauigkeit, Stabilität der Teilergebnisse, Erkennung des Endes eines Redebeitrags und Ende-zu-Ende-Latenz mit denselben Aufnahmen.
i Evaluation des Anbieters; numerische Werte nicht von Inferama verifiziert.
Inferama hebt nur dann ein „bestes Ergebnis“ hervor, wenn Metrik, Testsatz, Konfiguration und Datum einen gleichwertigen Vergleich ermöglichen. Die Zahlen des Lieferanten werden als Angaben aus eigener Quelle dargestellt.
06 / VERSIONEN
Chronologie
Voxtral Mini Transcribe Realtime 3
In den verifizierten Katalog von Inferama aufgenommene Version.
ANALYSE
Verwandte Analysen
07 / QUELLEN