¿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.

Diarización de hablantes y sesgo de contexto

Genera transcripciones con etiquetas de hablante y tiempos de inicio/fin precisos, ideal para reuniones, entrevistas y llamadas multiparticipante. El sesgo de contexto permite proporcionar hasta 100 palabras o frases para guiar al modelo hacia la ortografía correcta de nombres, términos técnicos o vocabulario específico del dominio.

Pesos abiertos y soporte multilingüe

Voxtral Realtime se distribuye bajo la licencia Apache 2.0, desplegable en dispositivos periféricos para aplicaciones que priorizan la privacidad. Ambos modelos admiten de forma nativa 13 idiomas, incluidos inglés, chino, hindi, español, árabe, francés, portugués, ruso, alemán, japonés, coreano, italiano y neerlandés.

Lo que lo destaca

Voxtral Transcribe 2 ofrece la tasa de error de palabras más baja al precio más bajo, con latencia en tiempo real de hasta menos de 200 ms.

Esta combinación de precisión, velocidad y eficiencia de costos no tiene igual en el mercado actual. Voxtral Mini Transcribe V2 logra una transcripción de última generación a $0.003 por minuto, mientras que Voxtral Realtime permite una nueva clase de aplicaciones centradas en la voz con una arquitectura de transmisión que no compromete la calidad. El lanzamiento de pesos abiertos bajo Apache 2.0 lo distingue aún más, permitiendo despliegues sensibles a la privacidad en dispositivos periféricos.

Vale la pena echarle un vistazo si…

Necesitas una solución de voz a texto que equilibre latencia ultrabaja, alta precisión y rentabilidad, especialmente para agentes de voz en tiempo real, transcripción en vivo o aplicaciones que priorizan la privacidad. El modelo de pesos abiertos y el soporte multilingüe lo convierten en una opción sólida para desarrolladores que crean en múltiples plataformas e idiomas.