Voxtral Mini Transcribe 3 через API из России: расшифровка аудио и цены в рублях

Voxtral Mini Transcribe 3 — компактная модель распознавания речи от Mistral AI. Она превращает записанное аудио в текст на 50 языках, поддерживает временные метки по сегментам и подсказки со списком терминов. Через Hubris модель доступна по адресу POST /v1/audio/transcriptions и тарифицируется по 0,01 ₽ за секунду аудио. Оплата идёт в рублях, отдельный аккаунт Mistral не нужен.

Что умеет Voxtral Mini Transcribe 3

Модель входит в семейство Voxtral 3 и работает в направлении speech-to-text: принимает аудиозапись и возвращает расшифровку речи. Mistral выпустила её в октябре 2026 года в статусе Public Preview. В отличие от Voxtral TTS 3, которая синтезирует речь из текста, эта модель решает обратную задачу. Изображения и видео она не обрабатывает — это узкая модель транскрипции.

Возможности, заявленные Mistral:

• пакетная обработка заранее записанных аудиофайлов;
• транскрипция на 50 языках, включая 24 официальных языка Европейского союза;
• временные метки на уровне сегментов речи;
• context biasing — передача списка терминов, имён и названий для повышения точности распознавания;
• диаризация говорящих, то есть распознавание и разделение участников разговора.

Предыдущая версия Voxtral Mini Transcribe V2 поддерживала 13 языков; третья расширила набор до 50. По данным профильных изданий, размер модели — около 4 млрд параметров, поэтому её относят к компактным решениям для экономичной пакетной обработки. Флагманская Voxtral Small Transcribe 3 ориентирована на максимальную точность, а Mini — на баланс скорости и стоимости.

Контекстное окно модели — 65 536 токенов. Оно общее для аудиофайла и списка ключевых слов: чем длиннее запись и чем больше терминов вы передаёте, тем меньше остаётся на второе. При превышении лимита запрос завершается ошибкой, автоматического усечения списка нет.

Чем отличается от соседних моделей Voxtral 3

В линейке несколько похожих названий, и выбрать проще по задаче, а не по числу параметров.

Voxtral Mini Transcribe 3 — вариант для пакетной обработки: она не работает в реальном времени через WebSocket и не синтезирует речь. Если нужна максимальная точность, смотрите на Voxtral Small Transcribe 3. Если нужно озвучить текст, подойдёт Voxtral TTS 3. Если нужен текстовый ассистент Mistral, есть Mistral Medium 3.1.

Сколько стоит расшифровка

В карточке модели цена указана за единицу тарификации: 0,01 ₽ за секунду аудио (данные каталога на 25 октября 2026 года).

Ориентир по объёмам:

• 1 минута (60 секунд) — 0,60 ₽;
• 30 минут — 18 ₽;
• 1 час — 36 ₽;
• 10 часов — 360 ₽.

Стоимость зависит от длительности записи, которую вы отправляете. Актуальную цену проверяйте в каталоге моделей: она может меняться вслед за курсом.

Как отправить аудио через API

Модель доступна по адресу POST /v1/audio/transcriptions. Поддерживаются два формата запроса — multipart/form-data и JSON с аудио в base64.

Multipart/form-data — OpenAI-совместимый вариант, который удобно отправлять из официального SDK:

curl https://api.hubris.pw/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-gw-..." \
  -F "file=@meeting.mp3" \
  -F "model=mistralai/voxtral-mini-transcribe-3-0" \
  -F "language=ru" \
  -F "response_format=verbose_json" \
  -F "timestamp_granularities[]=segment" \
  -F "prompt=Hubris, Voxtral, Mistral"

Поля запроса:

• file — аудиофайл WAV, MP3, FLAC, M4A, OGG, WebM или AAC до 25 МБ;
• model — mistralai/voxtral-mini-transcribe-3-0;
• language — код языка в ISO-639-1 (ru, en); без поля язык определяется автоматически;
• prompt — подсказка: имена, термины, аббревиатуры, которые встречаются в записи;
• response_format — json или verbose_json; значения text, srt и vtt не поддерживаются и вернут 400;
• timestamp_granularities[] — segment или word; временные метки доступны в verbose_json, но поддержка зависит от модели.

JSON — вариант с аудио в base64: поля model и input_audio с data (base64 без префикса data:) и format. Прямые URL на файлы не поддерживаются.

Ответ содержит text с расшифровкой. В verbose_json приходят сегменты, длительность и другие поля, которые возвращает провайдер; usage.cost показывает списание в копейках.

У модели есть важное ограничение по меткам: пословная разметка (word-level segments) не поддерживается и возвращает ошибку 400. Запрашивайте segment — метки на уровне сегментов речи.

Диаризация говорящих заявлена в документации Mistral, но в схеме нашего API отдельного поля для неё нет: через Hubris доступны перечисленные выше поля запроса. Если разделение говорящих критично, проверьте на своих записях, что возвращает ответ, и используйте поле prompt для подсказок по именам участников.

Потокового режима у модели нет: она рассчитана на пакетную обработку заранее записанных файлов. Для живого потока нужна Voxtral Mini Transcribe Realtime 3.

Кому подходит

Пакетная расшифровка пригодится там, где записи уже есть и их нужно обработать массово:

• встречи и созвоны — протоколы и поиск по разговорам;
• интервью и исследования — быстрая текстовая расшифровка без ручного набора;
• подкасты и вебинары — субтитры и текстовые версии выпусков;
• колл-центр и продажи — анализ звонков, контроль качества, поиск по ключевым темам;
• юридические и медицинские записи — подготовка текстов для проверки специалистом.

Если задача — озвучка, а не распознавание, смотрите Voxtral TTS 3. Общие принципы подключения моделей через единый API разобраны в статье «AI-агент через API».

Частые вопросы

Что такое Voxtral Mini Transcribe 3?

Это компактная модель Mistral AI для преобразования речи в текст. Она обрабатывает записанные аудиофайлы пакетно, поддерживает 50 языков и временные метки по сегментам.

Сколько стоит расшифровка?

0,01 ₽ за секунду аудио по каталогу Hubris. Час записи стоит 36 ₽, десять часов — 360 ₽. Точную стоимость запроса показывает поле usage.cost в ответе.

Можно ли получить временные метки?

Да, в response_format=verbose_json с timestamp_granularities[]=segment. Пословные метки модель не поддерживает: запрос со значением word вернёт ошибку 400.

Работает ли модель в реальном времени?

Нет. Это пакетная модель для заранее записанных файлов. Для потокового распознавания через WebSocket в линейке есть Voxtral Mini Transcribe Realtime 3.

Есть ли диаризация говорящих?

Mistral заявляет диаризацию в документации. В нашем API отдельного поля для неё нет: через Hubris передаются документированные поля запроса. Проверьте результат на своих записях.

Какие ограничения по файлам и контексту?

Форматы WAV, MP3, FLAC, M4A, OGG, WebM и AAC, размер файла — до 25 МБ. Контекст 65 536 токенов общий для аудио и списка терминов; при превышении запрос завершается ошибкой без автоматического усечения.

Нужен ли отдельный аккаунт Mistral?

Нет. Модель доступна через единый ключ Hubris, оплата идёт в рублях. Ключ создаётся в разделе «Ключи» личного кабинета.