Mistral 发布 Voxtral
来自 Mistral AI · 期号 2026-02-05
摘要
Mistral AI 发布 Voxtral Transcribe 2，包含两个语音转文字模型：Voxtral Mini Transcribe V2 用于批量转录，Voxtral Realtime 用于实时场景。Realtime 以 Apache 2.0 开源。 Mini 模型在 FLEURS 基准上词错误率约 4%，定价 $0.003/分钟，在准确率上超过 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 和 Deepgram Nova，处理速度比 ElevenLabs' Scribe v2 快约 3 倍，成本仅为其五分之一。 Realtime 模型延迟可配置至 200ms 以下，参数量 4B，可在边缘设备运行。两个模型均支持 13 种语言，具备说话人分离、上下文偏置和词级时间戳功能。
深读
导读 Mistral AI 发布了第二代语音转文字模型 Voxtral Transcribe 2，包含面向批量转录的 Mini 模型和面向实时场景的 Realtime 模型。Realtime 以 Apache 2.0 开源，Mini 模型在准确率和成本上均优于 GPT-4o mini Transcribe 等竞品。读完本文可了解两个模型的性能指标、定价、关键功能及适用场景。 关键信息 - Voxtral Mini Transcribe V2 在 FLEURS 基准上词错误率约 4%，定价 $0.003/分钟，处理速度比 ElevenLabs' Scribe v2 快约 3 倍，成本仅为其五分之一。 - Voxtral Realtime 参数量 4B，延迟可配置至 200ms 以下，可在边缘设备运行，模型权重以 Apache 2.0 开源。 - Mini 模型在准确率上超过 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 和 Deepgram Nova。 - 两个模型均支持 13 种语言：英语、中文、印地语、西班牙语、阿拉伯语、法语、葡萄牙语、俄语、德语、日语、韩语、意大利语和荷兰语。 - 两个模型均具备说话人分离、上下文偏置（最多 100 个词或短语）和词级时间戳功能。 - Voxtral Realtime API 定价 $0.006/分钟，Mini 模型支持单次处理最长 3 小时的音频。 逐节讲解 Voxtral Realtime：专为低延迟设计的流式架构 Voxtral Realtime 并非将离线模型分块处理，而是采用全新的流式架构，在音频到达时实时转录。延迟可配置至 200ms 以下。在 FLEURS 转录基准上，延迟设为 2.4 秒时（适合字幕生成），Realtime 的准确率与 Mini 模型持平；延迟设为 480ms 时，词错误率仅增加 1-2 个百分点，仍接近离线模型的精度。模型参数量 4B，可在边缘设备上运行，权重已开源至 Hugging Face Hub。 Voxtral Mini Transcribe V2：性价比领先的批量转录 Mini 模型在 FLEURS 基准上词错误率约 4%，定价 $0.003/分钟。Mistral 声称其在准确率上超过 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 和 Deepgram Nova，处理速度比 ElevenLabs' Scribe v2 快约 3 倍，质量相当但成本仅为其五分之一。模型支持单次处理最长 3 小时的音频。 模型功能与音频体验 Mini 模型具备三项关键功能：说话人分离（为转录结果添加说话人标签和起止时间，但重叠语音时通常只转录一人）、上下文偏…