法國 AI 領軍企業 Mistral AI 正式發佈了兩款全新的語音轉文字（Speech-to-Text）模型，旨在重新定義轉錄速度、隱私保護與性價比的行業標準。

此次推出的模型包括 Voxtral Mini Transcribe V2 和 Voxtral Realtime，均隸屬於 Voxtral Transcribe2體系。這兩款模型可提供頂級的轉錄質量、說話人識別（Diarization）以及極低的延遲表現，適用於虛擬助手、呼叫中心自動化及合規記錄等多種商業場景。

image.png

核心產品亮點:

  • Voxtral Realtime（實時處理）: 專爲直播音頻設計，採用創新的流式架構。其延遲最低可配置爲 200毫秒。在480毫秒的延遲下，錯誤率僅爲1%-2%，幾乎等同於離線轉錄精度。該模型僅有40億參數，支持在手機或筆記本電腦等本地設備上運行，極大保障了隱私安全。目前已在 Hugging Face 平臺以 Apache2.0協議開源，API 價格爲 0.006美元/分鐘。

  • Voxtral Mini Transcribe2（批量處理）: 專門處理預錄音文件。它支持長達3小時的單次請求，並具備精準的說話人標註和時間戳功能。其在 FLEURS 詞錯率基準測試中表現優異，而 API 價格僅爲 0.003美元/分鐘，被 Mistral AI 稱爲目前市場上性價比最高的轉錄方案。

兩款模型均原生支持包括中文、英語、法語、日語在內的13種語言。用戶目前已可在 Mistral AI 的 Audio Playground 或 Le Chat 助手上進行體驗。

劃重點:

  • 🚀 極致性能:實時模型延遲低至200ms，離線模型具備極高的詞錯率（WER）優勢。

  • 🔒 本地化部署:4B 參數量的輕量化設計支持在本地設備運行，無需上傳雲端，確保隱私安全。

  • 💰 高性價比:批量轉錄 API 低至每分鐘0.003美元，力求在企業市場建立價格優勢。

  • 🌍 多語言支持:原生支持全球13種主流語言，涵蓋絕大部分商業應用場景。