Voxtral, die Spracherkennung von Mistral AI: Was sie beim professionellen Diktieren leistet

Mistral AI, das 2023 in Paris gegründete französische Unternehmen, ist vor allem für seine Sprachmodelle bekannt. Seit Juli 2025 entwickelt es auch Voxtral, eine Familie von Spracherkennungsmodellen. TechVoice nutzt Voxtral für alle Transkriptionen, live wie beim Import. Hier erfahren Sie, was Sie über Voxtral wissen sollten – und was wir gelernt haben, als wir es an professionellen Diktaten auf Französisch gemessen haben.

Voxtral auf einen Blick

• Anbieter: Mistral AI, Paris.
• Einsatzbereiche: Transkription von Audiodateien (Batch) und Echtzeit-Transkription (Streaming).
• Zugang: über die API von Mistral, gehostet in Europa; die ersten Generationen gibt es auch mit offenen Gewichten (Open Weights).
• Preis: pro Audiominute, in der Größenordnung weniger Zehntel US-Cent.

Drei Generationen in anderthalb Jahren

Zum Start von Voxtral 3 nannte Mistral 0,0035 $ pro Minute für Mini Transcribe 3, 0,004 $ für Small Transcribe 3 und 0,008 $ für die Echtzeit-Transkription. Eine Stunde Aufnahme, transkribiert mit dem Small-Modell, kostet also rund 24 US-Cent.

Die dreizehn Sprachen von Voxtral Transcribe 2 waren Englisch, Chinesisch, Hindi, Spanisch, Arabisch, Französisch, Portugiesisch, Russisch, Deutsch, Japanisch, Koreanisch, Italienisch und Niederländisch. Voxtral 3 erweitert die Abdeckung bei der Dateitranskription auf über 50 Sprachen, darunter die 24 Amtssprachen der Europäischen Union, in Echtzeit auf etwas weniger.

Datei oder Echtzeit: zwei Arten zuzuhören

Bei der Dateitranskription erhält das Modell die gesamte Aufnahme. Es kennt den vollständigen Kontext, bevor es schreibt, und arbeitet dadurch genauer. Dieser Modus eignet sich für ein Sprachmemo oder eine aufgezeichnete Besprechung.

Bei der Echtzeit-Transkription erhält das Modell das Audio in kleinen Stücken, während gesprochen wird, und liefert den Text laufend zurück. Eine Einstellung, die Zielverzögerung, wägt zwischen Reaktionsschnelligkeit und Genauigkeit ab: Je länger das Modell vor dem Schreiben wartet, desto besser versteht es. In unseren Messungen erhöhte der Wechsel von 1.000 auf 500 Millisekunden die Fehlerquote bei Fachbegriffen um 7 Prozentpunkte, ohne dass die Transkription früher fertig war. Wir sind bei 1.000 ms geblieben.

TechVoice nutzt Voxtral Mini Transcribe Realtime 3 für das Live-Diktat und Voxtral Small Transcribe 3 für importierte Dateien und gibt in beiden Fällen die Sprache der App fest vor: Französisch oder Englisch.

Was wir gemessen haben

Unsere Testumgebung spielt orthopädische Berichte ab, die eine synthetische Stimme auf Französisch diktiert, und zählt neben der Gesamtfehlerquote die verfehlten Fachbegriffe. Diese Kennzahl entscheidet: Ein Bericht, in dem aus „dyspnée“ (Atemnot) „dispersée“ (verstreut) wird, ist unbrauchbar, auch wenn der Rest perfekt ist.

Diese Zahlen sind optimistisch: Eine synthetische Stimme artikuliert perfekt und kennt weder die Geräuschkulisse einer Praxis noch Zögern. Sie dienen dazu, Optionen miteinander zu vergleichen, nicht dazu, die Fehlerquote Ihrer eigenen Stimme vorherzusagen. Der Qualitätssprung zwischen den Generationen ist dagegen deutlich und von Messung zu Messung stabil.

Ein technisches Detail zeigt, welche Überraschungen man nur durch Messen entdeckt. Das Öffnen einer Echtzeit-Sitzung dauert bei Mistral etwa eine Sekunde, und das Modell holt das in dieser Zeit aufgelaufene Audio nicht auf: Das erste Wort erschien erst nach rund 3,5 Sekunden. Weil TechVoice vorab eine Sitzung offen hält, bereit für das nächste Diktat, erscheint es jetzt nach rund 2,5 Sekunden – ohne jede Einbuße bei der Qualität.

Die Grenzen, die Sie kennen sollten

1. Das Context Biasing ist begrenzt. Voxtral akzeptiert eine Liste mit bis zu 100 bevorzugten Begriffen, ohne Leerzeichen innerhalb eines Begriffs: „Hallux valgus“ muss als „Hallux_valgus“ eingetragen werden, und den Unterstrich übernimmt das Modell manchmal in seine Ausgabe. Mistral bezeichnet den Mechanismus außerhalb des Englischen als experimentell; bei unseren französischen Diktaten brachte er nach der Korrektur nichts und verschlechterte das Live-Diktat. Wir nutzen ihn nicht.
2. Eine Stunde pro Datei. Laut Dokumentation sind höchstens 60 Minuten möglich. In der Praxis teilen sich Audio und erzeugter Text ein Fenster von 65.536 Tokens: Eine Datei von 104 Minuten wurde abgelehnt. TechVoice begrenzt Importe auf 60 Minuten.
3. Echtzeit kann abbrechen. Eine Sitzung kann jederzeit vom Anbieter beendet werden („service restart“): Einer unserer Testläufe brach nach 7 Min. 33 Sek. ab, ein anderer lief 17 Min. 45 Sek. ohne Unterbrechung. Eine seriöse Anwendung muss den bereits empfangenen Text behalten und sich neu verbinden, ohne das Diktat zu verlieren.
4. Voxtral 3 ist eine öffentliche Vorabversion. Verhalten und Verfügbarkeit können sich noch ändern: Man muss zur Vorgängergeneration zurückkehren können, ohne alles neu zu schreiben.

Warum wir uns für Voxtral entschieden haben

• Die Qualität bei französischer Fachsprache: Nach der Korrektur erreicht sie das Niveau, das wir für Berichte gesucht haben.
• Ein europäischer Anbieter. Mistral AI ist ein französisches Unternehmen, und seine API wird in Europa gehostet. Für Fachleute, die sensible Inhalte diktieren, ist das – auch mit Blick auf die DSGVO – ein grundlegendes Kriterium, kein Detail.
• Der Preis: wenige Zehntel Cent pro Minute, was ein erschwingliches Abonnement ermöglicht.
• Die offenen Gewichte der früheren Generationen: Sie halten die Tür für einen lokalen Betrieb auf eigenen Servern offen.
• Ein einziges Ökosystem: Auch die Korrektur läuft über ein Sprachmodell von Mistral, Mistral Small – mit rund 200 Tokens pro Sekunde das schnellste der von uns gemessenen Modelle.

Und im Vergleich zu Whisper und anderen?

Zum Start 2025 gab Mistral an, Voxtral übertreffe Whisper large-v3, das offene Modell von OpenAI – eine Messung des Herstellers. Unabhängig davon führte Artificial Analysis Voxtral Small Transcribe 3 bei dessen Erscheinen auf Platz drei seines Transkriptions-Rankings. Wir haben diese Vergleiche nicht wiederholt: Unsere Testumgebung misst, was für unsere Nutzerinnen und Nutzer zählt, nämlich Fachbegriffe auf Französisch.

Das beste Modell der Welt macht übrigens noch keine gute professionelle Spracherkennung. Den Unterschied im Alltag macht das, was es umgibt: das Fachvokabular, die streng begrenzte Korrektur und das Gedächtnis für Ihre Korrekturen – mehr dazu in unserem Artikel zur Funktionsweise der KI-Spracherkennung. Und wie viel Zeit Ihnen das Diktieren sparen kann, zeigt unsere Rechnung zur Zeitersparnis.

Quellen

• Mistral AI, „Voxtral“, Juli 2025.
• Mistral AI, „Voxtral Transcribe 2“, Februar 2026.
• Mistral AI, „Voxtral 3“, Oktober 2026.
• Artificial Analysis, Ranking Speech to Text.
• Interne TechVoice-Messungen, synthetisches Korpus französischer Orthopädie-Berichte, November 2026.