¿Qué es Voxtral Transcribe 2?

Voxtral Transcribe 2 es una familia de modelos de voz a texto de última generación de Mistral, que ofrece transcripción ultrarrápida y de alta precisión con capacidades en tiempo real y diarización de hablantes. Incluye dos modelos: Voxtral Mini Transcribe V2 para transcripción por lotes y Voxtral Realtime para aplicaciones en vivo. Juntos, admiten 13 idiomas, marcas de tiempo a nivel de palabra, sesgo de contexto y despliegue priorizando la privacidad, todo a una velocidad y costo líderes en la industria.

Para quién es

• Desarrolladores de aplicaciones de voz que necesitan latencia inferior a 200 ms para agentes de voz en tiempo real y experiencias interactivas.
• Procesadores de reuniones y llamadas que requieren diarización precisa de hablantes y marcas de tiempo a nivel de palabra para transcripción multiparticipante.
• Equipos conscientes de la privacidad que desean modelos de pesos abiertos desplegables en dispositivos periféricos para casos de uso sensibles o sin conexión.

Características clave

Voxtral Realtime

Diseñado específicamente para transcripción en vivo, Voxtral Realtime utiliza una arquitectura de transmisión novedosa que transcribe el audio a medida que llega. Ofrece latencia configurable de hasta menos de 200 ms, lo que permite agentes de voz con precisión casi fuera de línea. Con un retraso de 480 ms, se mantiene dentro del 1–2% de tasa de error de palabras, igualando la calidad por lotes para aplicaciones en tiempo real.

Voxtral Mini Transcribe V2

Este modelo por lotes logra una calidad de transcripción de última generación con aproximadamente un 4% de tasa de error de palabras en el punto de referencia FLEURS y $0.003 por minuto. Supera a GPT-4o mini Transcribe, Gemini 2.5 Flash, Assembly Universal y Deepgram Nova en precisión, mientras procesa audio aproximadamente 3 veces más rápido que Scribe v2 de ElevenLabs a una quinta parte del costo.