Voxtral Small Transcribe 3

Voxtral Small Transcribe 3 — старшая модель распознавания речи в линейке Voxtral 3. Mistral выпустила линейку вместе с моделью озвучки и набором инструментов для голосовых агентов и называет Small Transcribe 3 самой точной своей моделью расшифровки. Она переводит записи в текст на 50 с лишним языках: это все 24 официальных языка Евросоюза и ряд азиатских и индийских языков, для которых мало обучающих данных. Кроме текста модель размечает, кто и когда говорил (это называют диаризацией). Ещё ей можно передать список нужных терминов, имён и названий, и она будет писать их правильно без дообучения.

Прошлое поколение, Voxtral Mini Transcribe 2, знало 13 языков. В Voxtral 3 их больше пятидесяти, и рядом с Mini появилась старшая версия Small. Voxtral Mini Transcribe 3 с 4 млрд параметров умеет то же самое: много языков, разметку по говорящим, списки терминов. Стоит она немногим дешевле, а Mistral описывает её как экономную модель с низкой задержкой. Small Transcribe 3 рассчитана на готовые записи. Чтобы расшифровывать живой разговор с задержкой меньше полсекунды, у лаборатории есть Voxtral Mini Transcribe Realtime 3, но она знает около 40 языков.

По замерам Mistral, в многоязычной расшифровке модель обходит Whisper от OpenAI, Scribe v2 от ElevenLabs и Gemini 3.5 Transcribe. На бенчмарке FLEURS по 45 языкам у неё 4,1% ошибочных слов. В разметке по говорящим ошибок 18,4%: эта метрика учитывает и сами слова, и то, правильному ли человеку они приписаны. В этом тесте лаборатория сравнивала её с Microsoft AI Transcribe 2, Scribe v2, Gemini 3.5 Transcribe и отдельными системами диаризации. Модель берут, когда точность важнее скорости: записи на разных языках, несколько собеседников, отраслевая лексика.

Модель только переводит речь в текст. Озвучивать текст в линейке умеет другая модель, Voxtral Speech 3, а голосового агента из них собирают с помощью нового набора инструментов Mistral. Модель доступна через API лаборатории.

источники:Анонс Voxtral 3 в блоге Mistral ↗