法國人工智能初創公司Mistral AI近日宣佈推出全新的語音轉文字模型系列——Voxtral Transcribe2。這一系列包含兩款針對不同應用場景優化的模型，旨在解決語音交互中的高延遲和成本痛點。

image.png

其中，最受關注的是名爲 Voxtral Realtime 的實時轉錄模型。該模型擁有4B（40億）參數規模，採用創新的流式架構。其核心亮點在於極致的響應速度:模型可以在音頻輸入的瞬間同步進行轉錄，官方數據顯示其轉錄延遲已被壓縮至200ms(0.2秒)以下。這意味着在實時對話或同聲傳譯場景中，用戶幾乎感受不到處理停頓。爲了促進開發者社區的生態建設，Mistral AI已以 Apache2.0協議正式開放了該模型的權重。

另一款模型 Voxtral Mini Transcribe V2 則主打大批量處理與極高性價比。該模型專門爲處理長音頻設計，單次請求即可支持長達3小時的錄音文件。在準確率表現上，Mistral 官方表示該模型已超越了 GPT-4o mini Transcribe 和 Gemini2.5Flash。

在語言支持與成本方面，兩款新模型均具備出色的普適性，支持包括中文在內的13種主流語言。定價策略也十分具有競爭力:離線批處理版 API 價格爲每分鐘0.003美元，而追求極致性能的實時版 API 價格則爲每分鐘0.006美元。

劃重點:

  • ⚡ 極低延遲: Voxtral Realtime 模型將轉錄延遲降至200ms 以內，支持音頻即時轉錄，且已開源模型權重。

  • 🏆 高性價比: Voxtral Mini 版在準確率上優於 GPT-4o mini 等同類產品，支持3小時超長錄音，價格極具優勢。

  • 🌐 多語支持: 全系列模型原生支持中文等13種語言，廣泛適配全球化的語音辦公與實時交互場景。