Mistral Voxtral Mini Transcribe 2 چیست؟ بررسی کاربرد، مشخصات و محدودیتها
آخرین راستیآزمایی: ۲۶ سپتامبر ۲۰۲۶
تاریخ عرضه: روز دقیق عرضه در متن فعلی ثبت نشده است.
قیمت و شیوهٔ محاسبه: قیمت ۰٫۰۰۳ دلار/دقیقه تاریخدار است و در حساب سازمانی/منطقهای ممکن است تغییر کند. تعرفه و دسترسی را برای زمان خرید دوباره در منبع رسمیِ مقاله بررسی کنید.
معرفی و جایگاه مدل
Voxtral Mini Transcribe 2 مدل رونویسی فایل صوتی Mistral AI است. شناسه voxtral-mini-2602 برای پردازش Batch و تولید متن با زمانبندی و تشخیص گوینده معرفی شده است؛ Voxtral Realtime نسخه جدا برای استریم زنده است. این نام در فهرست با پیشوند Mistral آمده تا سازنده روشن باشد. کاربردهایی مانند پیادهسازی مصاحبه، جلسه یا زیرنویس به ویرایش انسانی نیاز دارند، بهخصوص وقتی چند نفر همزمان حرف میزنند یا واژه تخصصی گفته میشود. آن را با مدل Voxtral TTS که برعکس صدا تولید میکند، خلط نکنید.
مشخصات فنی و دسترسی
راهنمای Mistral پردازش ضبط تا سه ساعت در هر درخواست، برچسب گوینده، Timestamp واژه و Context Biasing تا ۱۰۰ اصطلاح را ثبت میکند. در کارت قیمت تاریخ بررسی، ۰٫۰۰۳ دلار بهازای دقیقه برای voxtral-mini-2602 آمده؛ یک ساعت با فرض همین نرخ ۰٫۱۸ دلار پیش از هزینههای پردازش بیرونی است. صفحه شرکت پوشش ۱۳ زبان را مطرح میکند؛ زبان فارسی را در فهرست دقیق مستندات آن بررسی کنید و از عبارت چندزبانه پشتیبانی قطعی فارسی نتیجه نگیرید. دادههای نرخ خطای واژه روی FLEURS و مقایسه رقبا از طرف خود سازنده است.
کاربردهای عملی
برای پیادهسازی مصاحبه، نمونهای از هر گوینده و واژگان تخصصی را در فایل آزمون قرار دهید. خروجی را با زمانبندی واژه به نرمافزار زیرنویس ببرید، سپس مرز جمله و تغییر گوینده را با شنیدن فایل تنظیم کنید. اگر یک جلسه سه ساعت دارد، اندازه فایل و Format درخواست را نیز کنترل کنید؛ طول مجاز به معنی امکان ارسال هر حجم بدون محدودیت نیست. برای گفتگوهای زنده، API این مدل Batch را با نسخه Realtime جایگزین نکنید. یک نمونه بینویز و یک نمونه تلفن با نویز را جدا محاسبه کنید.
بنچمارکها و روش ارزیابی
عدد حدود ۴٪ WER در FLEURS و ادعای سرعت سهبرابر که Mistral منتشر کرده Vendor-reported است. نسخه dataset و زبان و شرایط ضبط آن را با مصاحبه فارسی یکی ندانید. WER واقعی و خطای گوینده را با مجموعه مستقل خود گزارش کنید. آزمون دستکم ۲۰ فایل با نویز محیط، لهجه، نام خاص، دو گوینده و تغییر زبان انجام دهید. نرخ خطای واژه (WER) برای رونوشت خام، تأخیر، خطای برچسب گوینده و خطای زمانبندی را جدا اندازه بگیرید. گزارش خود را با تعداد فایل، طول، زبان و شیوه پاکسازی متن کامل کنید؛ عدد اعلامی سازنده Vendor-reported است و جای آزمون فایلهای شما را نمیگیرد. متن و زمانبندی ظاهراً دقیق باید با فایل صوتی بازشنوی شود، مخصوصاً ارقام و نقلقولها.
قیمتگذاری و محدودیتها
قیمت ۰٫۰۰۳ دلار/دقیقه تاریخدار است و در حساب سازمانی/منطقهای ممکن است تغییر کند. مصاحبه محرمانه نیاز به بررسی سیاست داده دارد. سه ساعت سقف راهنماست نه تضمین صحت برچسب گوینده در سراسر فایل. اشتباه یک عدد در صورتجلسه میتواند مهمتر از WER متوسط باشد. رونویسی خودکار ممکن است جمله نامفهوم را با جمله ظاهراً معتبر پر کند. درباره جلسه محرمانه یا داده مشتری، سیاست نگهداری داده و منطقه پردازش را بررسی کنید. زمانبندی و تشخیص گوینده را بهویژه در همپوشانی صدا تصحیح کنید. نرخ دقیقه یا توکن به مسیر درخواست و روز خرید وابسته است.
مقایسه با گزینههای نزدیک
برای تصمیم میان Mistral Voxtral Mini Transcribe 2 و Gemini 3.5 Transcribe و Scribe v2، فقط نام یا نسخه را معیار قرار ندهید. اول نوع کار را یکسان کنید: رونویسی را با نرخ خطای واژه و نام خاص، گفتار مصنوعی را با تلفظ فارسی و تأخیر، و موسیقی را با انسجام قطعه و حق استفاده بسنجید. مدل زنده و مدل پردازش آفلاین ممکن است در کیفیت و تأخیر هدف متفاوتی داشته باشند؛ خروجی آنها را بدون همتراز کردن وظیفه رتبهبندی نکنید. برای تصمیم نهایی، هزینه هر دقیقه یا فایل قابلاستفاده و محدودیت دانلود و مجوز انتشار را در طرح واقعی خود بررسی کنید.
پرسشهای متداول
آیا برای استریم زنده است؟
خیر؛ voxtral-mini-2602 برای فایل است و Realtime شناسه جدا دارد.
تعرفه اعلامی چقدر است؟
کارت رسمی در تاریخ بررسی ۰٫۰۰۳ دلار بهازای دقیقه نشان میدهد.
جمعبندی
برای آرشیو صوتی طولانی گزینه ارزیابی است؛ زمانبندی، گوینده و واژههای حیاتی را انسانی بازبینی کنید.
مدلهای موجود در Buffalo147 AI را ببینید
