Voxtral 3 录音转写和实时字幕怎么选？先看音频是现成还是直播

Voxtral 3 录音转写和实时字幕的选法，看音频是已经录好的文件，还是正在说话的直播。录好的会议录音、采访和播客，走文件转写；边说边出字的直播字幕和语音助手，走实时转写。Mistral 的 Voxtral 3 家族里，转写、实时和语音合成是不同的模型，入口选错，后面的时间戳和说话人区分都会不对。

文件转写一次发一个完整音频，拿回带时间戳的全文，适合会议纪要、采访整理和字幕初稿。录音里的人名、产品名和术语，先在自定义词汇里给出来，识别结果会稳很多。实时转写按会话流式出字，延迟可以在每次会话里设置，范围是 80 毫秒到 2400 毫秒，延迟设得越低，文字来得越快，但断句可能越碎，直播字幕和语音助手要按场景折中。调用都要用 Mistral AI Studio 的密钥，端点按数据驻留要求选欧洲、美国或全球。

实时会话里，说话人区分和轮次检测别同时开

实时会话有个组合限制：说话人区分和轮次检测不能放在同一个会话里，同时设置会报错，需要分开建会话。时间戳也要按模式理解：文件转写给的是分段时间戳，没有逐词时间戳；实时片段带有说话人标签，但没有起止时间，只能从帧对齐里推算。转写结果不理想时，先补自定义词汇，再换 Small 模型；词汇和模型都救不回来的录音，先检查录音本身的噪音和重叠说话。语音合成是另外两个 TTS 模型的事，转写模型不会出声；想对录音提问、做摘要或翻译，走音频进聊天模型那条路。