Uso principal declarado o inferido con cautela desde la documentación oficial.
M
MISTRAL / voxtral-mini-transcribe-realtime-3-0
Voxtral Mini Transcribe Realtime 3
Transcriptor de audio en streaming presentado por Mistral el 20 de octubre de 2026. La guía actual enumera 45 idiomas y dialectos. Utiliza WebSocket, entrega texto incremental y añade detección de fin de turno, etiquetas de hablante y context_bias. No genera voz ni comparte automáticamente las capacidades offline de Small. El identificador versionado permite distinguirlo de los alias que pueden cambiar de versión.
01 / RESUMEN
Lo esencial
Capacidad máxima de entrada cuando la fuente la publica.
Límite máximo de generación documentado.
Canales de disponibilidad verificados.
Familia funcional principal y especialidades verificadas.
Condiciones declaradas para API, pesos o despliegue propio.
02 / FICHA TÉCNICA
Límites e integración
| ID de API | voxtral-mini-transcribe-realtime-3-0 |
|---|---|
| Tipo de modelo | Voz y audio |
| Modelo de acceso | Propietario de pago |
| Licencia | Propietaria |
| Despliegue | API alojada |
| Lanzamiento | 20 OCT 2026 |
| Corte de conocimiento | No publicado |
| Entrada | Audio |
| Salida | Texto |
| Ventana de contexto | Sesión de audio por WebSocket |
| Salida máxima | Texto transcrito |
| Razonamiento | No publicado |
| Herramientas publicadas | |
| Salidas estructuradas | No publicado |
| Procesamiento por lotes | No publicado |
| Caché de prompts | No publicado |
| Ajuste fino | No publicado |
| Plataformas verificadas | Mistral API |
Subtítulos en directo e interfaces de voz que necesitan texto incremental. La configuración se envía antes del primer audio; modificarla después produce un error. Los ajustes de latencia admiten valores enteros de 80 a 1.200 ms o 2.400 ms, no cualquier valor intermedio. Son opciones del modelo, no una garantía de latencia total de red y aplicación.
Comprueba reconexiones, audio perdido y fin de turno antes de automatizar acciones. Los 45 idiomas y dialectos proceden de la guía específica, más reciente que los recuentos generales del anuncio. No confundas detección de hablantes con identificación biométrica. El audio puede contener datos personales: limita retención y acceso, informa a las personas y revisa errores en entornos ruidosos.
03 / CAPACIDADES
Qué puede hacer
Orientación
Subtítulos en directo e interfaces de voz que necesitan texto incremental. La configuración se envía antes del primer audio; modificarla después produce un error. Los ajustes de latencia admiten valores enteros de 80 a 1.200 ms o 2.400 ms, no cualquier valor intermedio. Son opciones del modelo, no una garantía de latencia total de red y aplicación.
Contexto
Sesión de audio por WebSocket · Texto transcrito
Herramientas e integración
No publicado
Acceso
Mistral API
Modalidades de entrada
Audio
04 / PRECIOS
Coste documentado
| Concepto | Valor | Unidad / condición |
|---|---|---|
| Entrada estándar | 0,008 USD / min | Tarifa estándar de API |
| Entrada en caché | No publicado | Lectura de prefijos reutilizados |
| Escritura o almacenamiento de caché | No publicado | La condición varía según proveedor |
| Salida estándar | Incluido en la tarifa de audio | Puede incluir tokens de razonamiento |
| Entrada por lotes | No publicado | Procesamiento asíncrono |
| Salida por lotes | No publicado | Procesamiento asíncrono |
Tarifas públicas en dólares por minuto de audio o por millón de caracteres, según la variante; no son precios por tokens. Los campos numéricos por millón de tokens quedan vacíos para evitar comparaciones falsas. Confirma condiciones de facturación y disponibilidad antes de integrar. El despliegue privado empresarial requiere acuerdo específico; no se han publicado pesos descargables de estas variantes.
i Los precios cambian y pueden depender del nivel, la región o la longitud del contexto. Revisa la fuente antes de tomar una decisión.
05 / EVALUACIONES
Cómo leer los resultados
“
El anuncio describe una evaluación FLEURS sobre un subconjunto de 35 idiomas, con CER para japonés, coreano y chino. Ese conjunto de evaluación no equivale a la cobertura lingüística total declarada. No hemos verificado puntuaciones por idioma ni reproducido los resultados. Compara precisión, estabilidad de parciales, detección de turnos y latencia extremo a extremo con las mismas grabaciones.
i Evaluación del proveedor; puntuaciones numéricas no verificadas por Inferama.
Inferama solo destaca un «mejor resultado» cuando la métrica, el conjunto de prueba, la configuración y la fecha permiten una comparación equivalente. Las cifras del proveedor se presentan como afirmaciones de su propia fuente.
06 / VERSIONES
Cronología
Voxtral Mini Transcribe Realtime 3
Versión incorporada al catálogo verificado de Inferama.
ANÁLISIS
Análisis relacionados
07 / FUENTES