Voxtral Transcribe 2: transcripción de voz a texto rápida y precisa para 2026

Voxtral Transcribe 2 es la última versión de conversión de voz a texto de Mistral que combina un modelo por lote (Mini Transcribe V2) y un modelo de transmisión (Realtime). Añade latencia inferior a 200 ms, precisión en 13 idiomas, diarización, sesgo de contexto y marcas de tiempo a nivel de palabra, con precios desde $0.003 por minuto y pesos abiertos para Realtime bajo Apache 2.0.

Por qué Voxtral es importante ahora

La voz en tiempo real está en auge, y los equipos necesitan transcripción que sea rápida, multilingüe y privada por diseño. Voxtral Transcribe 2 ofrece transmisión con latencia inferior a 200 ms, precisión competitiva en 13 idiomas y flexibilidad para desplegar en cualquier lugar, incluidas las implementaciones en el borde con pesos abiertos.

Qué hay de nuevo en Voxtral Transcribe 2

• Dos modelos, una versión: Mini Transcribe V2 (lote) + Realtime (transmisión).

• Latencia: Realtime configurable hasta menos de 200 ms; modo de ~2.4 s iguala a Mini V2 para precisión de subtitulado.

• Idiomas: 13 soportados (EN, ZH, HI, ES, AR, FR, PT, RU, DE, JA, KO, IT, NL).

• Pesos abiertos: Realtime bajo Apache 2.0 para implementaciones en borde/privadas.

• Rendimiento de precio: Mini V2 a ~$0.003/min apunta al WER más bajo al menor costo; Realtime a ~$0.006/min.

Capacidades clave para empresas

• Diarización de oradores: Quién dijo qué y cuándo, con segmentos etiquetados; maneja la mayoría de los escenarios (nota: el habla superpuesta se transcribe como un solo orador).

• Sesgo de contexto: Hasta 100 términos para ajustar ortografías de marcas, jerga y nombres (optimizado para inglés).

• Marcas de tiempo a nivel de palabra: Alineación precisa para subtítulos, pistas de auditoría y búsqueda.

• Robustez al ruido y archivos largos: Funciona en acústicas difíciles; soporta grabaciones de hasta 3 horas.

• Seguridad y cumplimiento: Soporta implementaciones conformes a GDPR/HIPAA; se puede ejecutar en instalaciones o nube privada.

Cómo se compara Voxtral

Mistral posiciona a Mini V2 como de mejor rendimiento en relación calidad-precio con bajo WER, y Realtime como precisión casi de conexión sin conexión en latencias en vivo. La publicación afirma un mejor rendimiento frente a GPT-4o mini Transcribe (OpenAI), Gemini 2.5 Flash (Google), Assembly Universal (AssemblyAI) y Deepgram Nova (Deepgram), y aproximadamente 3 veces más rápido en procesamiento que ElevenLabs Scribe v2 a aproximadamente una quinta parte del costo, según las evaluaciones de Mistral. Siempre confirme con su audio antes de cambiar.

Usos prácticos

• Inteligencia de reuniones: Notas multilingües con diarización para atribución clara.

• Agentes de voz: STT en tiempo real (<200 ms) para turnos naturales con su canalización de LLM + TTS.

• Centros de contacto: Guía en vivo, autocompletar CRM y análisis de sentimiento durante las llamadas.

• Difusión y medios: Subtítulos en vivo de baja latencia; resistente a nombres y jerga usando sesgo de contexto.

• Cumplimiento: Marcas de tiempo y diarización para apoyar auditorías.

Pruébelo ahora

Puede probar Voxtral Transcribe 2 inmediatamente en el campo de pruebas de audio de Mistral Studio (subir hasta 10 archivos, activar la diarización, configurar granulación de marcas de tiempo y añadir términos de sesgo), o integrarlo vía API. Mini V2 está listado a $0.003/min; Realtime a $0.006/min; los pesos de Realtime están en Hugging Face bajo Apache 2.0.

Resumen

Si necesita una conversión de voz a texto rápida, precisa y controlable con características empresariales, y desea la opción de operar de forma privada, Voxtral Transcribe 2 es una opción convincente. Comience en el campo de pruebas, evalúe con su propio audio, luego elija Mini V2 para lotes o Realtime para uso en vivo.

FAQ

¿Realtime de Voxtral realmente tiene menos de 200 ms?
Sí, la arquitectura de transmisión transcribe a medida que llega el audio, con un retraso configurable por debajo de 200 ms.

¿Qué idiomas soporta?
Trece: inglés, chino, hindi, español, árabe, francés, portugués, ruso, alemán, japonés, coreano, italiano, neerlandés.

¿Hace diarización y marcas de tiempo?
Sí, diarización con etiquetas y tiempos de inicio/fin, además de marcas de tiempo a nivel de palabra para alineación.

¿Puedo implementarlo en las instalaciones o en el borde?
Sí, Realtime se entrega con pesos abiertos (Apache 2.0) y ambos modelos soportan configuraciones privadas/nube alineadas con GDPR/HIPAA.

¿Cuál es el costo?
Precio indicativo: Mini V2 ~$0.003/min; Realtime ~$0.006/min (verifique con Mistral para actualizaciones).