法国人工智能初创公司Mistral AI近日宣布推出全新的语音转文字模型系列——Voxtral Transcribe2。这一系列包含两款针对不同应用场景优化的模型，旨在解决语音交互中的高延迟和成本痛点。
其中，最受关注的是名为 Voxtral Realtime 的实时转录模型。该模型拥有4B（40亿）参数规模，采用创新的流式架构。其核心亮点在于极致的响应速度:模型可以在音频输入的瞬间同步进行转录，官方数据显示其转录延迟已被压缩至200ms(0.2秒)以下。这意味着在实时对话或同声传译场景中，用户几乎感受不到处理停顿。为了促进开发者社区的生态建设，Mistral AI已以 Apache2.0协议正式开放了该模型的权重。
另一款模型 Voxtral Mini Transcribe V2 则主打大批量处理与极高性价比。该模型专门为处理长音频设计，单次请求即可支持长达3小时的录音文件。在准确率表现上，Mistral 官方表示该模型已超越了 GPT-4o mini Transcribe 和 Gemini2.5Flash。
在语言支持与成本方面，两款新模型均具备出色的普适性，支持包括中文在内的13种主流语言。定价策略也十分具有竞争力:离线批处理版 API 价格为每分钟0.003美元，而追求极致性能的实时版 API 价格则为每分钟0.006美元。
划重点:
⚡ 极低延迟: Voxtral Realtime 模型将转录延迟降至200ms 以内，支持音频即时转录，且已开源模型权重。