Voxtral Mini Transcribe Realtime 3
Потоковая модель Mistral распознаёт речь в живом разговоре с настраиваемой задержкой, определением конца реплики и разделением говорящих.
Voxtral Mini Transcribe Realtime 3 — потоковая модель распознавания речи для приложений, которые должны получать текст во время разговора, а не после загрузки всей записи. Она принимает аудио по WebSocket и может отмечать конец реплики, учитывать подсказки со словарём и различать говорящих.
Настраиваемая задержка
Mistral указывает диапазон задержки от 80 до 2 400 миллисекунд. Низкая задержка помогает быстрее показывать промежуточную расшифровку, а более длинное окно может дать системе больше аудиоконтекста для уточнения текста. Выбор зависит от того, важнее ли мгновенная реакция или стабильная расшифровка.
Распознавание хода разговора
Определение конца реплики помогает голосовому агенту понять, когда собеседник закончил говорить и можно переходить к ответу. Диаризация добавляет метки говорящих, а контекстные подсказки помогают корректно распознавать имена, номера и специальные термины. В релизе Mistral сообщает о работе более чем с 35 языками.
Для голосовых помощников и контакт-центров
Realtime-модель можно использовать как входной компонент голосового агента: она превращает речь в текст и передаёт реплику языковой модели, которая формирует ответ или вызывает инструменты. В опубликованной архитектуре Voxtral 3 эти этапы объединяет SDK голосового агента на базе LiveKit. Заявление Mistral о времени полного ответа менее секунды относится к связанной системе целиком, а не только к распознавателю.
Доступ и варианты Voxtral
Цена в документации Mistral составляет 0,008 доллара за минуту аудио. Для обработки готовых файлов доступны Voxtral Mini Transcribe 3 и Voxtral Small Transcribe 3. Синтез речи представлен моделями Voxtral TTS 3 и Voxtral TTS Realtime 3.
Описание возможностей и тарифа размещено в официальной документации. Общие сведения о разработчике доступны в Вики Futuretools.