Mistral AI 发布 Voxtral Transcribe 2：开源实时模型 + 高性价比批量转录，全面支持多语言语音应用

Mistral AI 推出全新 Voxtral Transcribe 2 系列语音转文本（ASR）模型，包含面向批量离线处理的 Voxtral Mini Transcribe V2 和专为低延迟实时场景打造的 Voxtral Realtime，凭借顶尖转录精度、原生多语言支持、企业级实用功能，以及 Voxtral Realtime 全量开源的优势，成为兼顾云端效率与本地隐私部署的新一代ASR方案，同时配套Mistral Studio音频体验平台，可即时测试全功能。

• API：https://console.mistral.ai/build/audio/speech-to-text
• Voxtral Realtime：https://huggingface.co/mistralai/Voxtral-Mini-4B-Realtime-2602
• 文档：https://docs.mistral.ai/capabilities/audio_transcription

双模型产品矩阵：精准覆盖离线/实时全场景

两款模型分工明确，从低成本批量转录到200ms内超低延迟实时交互，全方位适配语音转写的各类需求，且均原生支持13种语言，中文、英语、日语等主流语种表现亮眼。

核心亮点：碾压级性能+开源自由+企业级能力

1. 实时模型全开源，隐私部署无门槛

Voxtral Realtime 采用 Apache 2.0 开源协议发布完整模型权重，40亿参数量实现轻量化设计，可直接部署在边缘设备、本地服务器或私有云，数据全程不上云，完美适配金融、医疗、政企等隐私敏感场景，同时满足GDPR、HIPAA等合规要求。

2. 超低延迟+近离线精度，重构实时语音体验

Voxtral Realtime 采用全新原生流式架构，区别于传统离线模型的分块处理方式，音频输入时即可即时转录，无需等待整段音频处理。延迟可灵活配置：

• 最低压至200毫秒以下，满足语音智能体、实时字幕等极致低延迟需求；
• 480ms延迟下，词错误率仅增加1-2%，保持接近离线的转录精度；
• 2.4s延迟（字幕生成主流场景）下，性能与批量版Voxtral Mini Transcribe V2持平。

3. 业界顶尖性价比，批量转录成本骤降

Voxtral Mini Transcribe V2 在FLEURS数据集上实现约4%的词错误率，准确率直接超越GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal等主流商用转录API；同时处理速度比ElevenLabs Scribe v2快3倍，而成本仅为其1/5，是当前商用转录服务中性价比最优的选择。

4. 全栈企业级功能，一站式满足生产需求

两款模型均内置企业部署所需的核心能力，无需额外拼接第三方工具，覆盖从转录到应用的全流程：

• 说话人分离：自动识别发言者，生成带说话人标签+精确起止时间的转录文本，适配会议、访谈、多方通话；
• 词级时间戳：为每个单词生成精准时间信息，支持字幕制作、音频内容搜索、精准剪辑；
• 上下文偏置：可自定义最多100个单词/短语，引导模型正确拼写专有名词、技术术语、姓名等，解决通用模型的拼写痛点（英语优化至最佳）；
• 超强噪音鲁棒性：在工厂车间、繁忙呼叫中心、户外现场录音等复杂声学环境下，仍能保持稳定的转录准确率；
• 超长音频支持：Voxtral Mini Transcribe V2单次请求可处理长达3小时的录音，无需分段上传，提升批量处理效率。

5. 原生多语言支持，主流语种全覆盖

两款模型均完美支持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、荷兰语，其中中文、英语、日语实现顶尖转录品质，非英语语种性能显著优于行业竞品，适配全球化业务场景。

Voxtral Mini Transcribe V2：批量转录的性能标杆

作为离线批量处理的核心模型，Voxtral Mini Transcribe V2聚焦高准确率、长音频、低成本三大核心需求，是会议归档、媒体内容转写、合规录音处理、播客字幕制作等场景的最优解。

除了上述企业级功能，其核心优势还体现在规模化处理效率上：极低的单分钟定价，搭配3小时长音频支持，可实现海量音频的低成本、高效率转录标注，大幅降低企业内容数字化的成本。

Mistral Studio 音频体验平台：零成本即时测试

同步推出的Mistral Studio音频体验平台，由Voxtral Transcribe 2全量驱动，无需开发接入，即可直接测试所有核心功能：

• 支持上传.mp3、.wav、.m4a、.flac、.ogg等主流音频格式，单文件最大1GB，最多可同时上传10个；
• 可视化操作：一键开关说话人分离、自由选择时间戳粒度、自定义添加上下文偏置词；
• 结果可直接查看、导出，快速验证模型效果，为API接入或本地部署提供参考。

全行业应用场景：重构语音转写工作流

Voxtral Transcribe 2凭借双模型的灵活组合，可赋能全行业的语音相关应用，打造更高效、更智能的语音工作流：

1. 会议智能

多语言会议录音一键转录，说话人分离清晰标记发言者与发言时间，结合极致性价比，可实现企业海量会议内容的规模化归档与分析。

2. 语音智能体/虚拟助手

将Voxtral Realtime与LLM、TTS管道对接，打造延迟低于200ms的对话式AI，实现自然、无感知的语音交互，适配智能音箱、车载助手、企业虚拟客服等场景。

3. 联络中心自动化

实时转录座席与客户的通话内容，AI系统可同步分析对话情感、智能推荐回复话术、自动填充CRM字段，说话人分离确保发言归属清晰，提升客服效率与服务质量。

4. 媒体与广播

为直播、综艺、影视等内容生成低延迟多语言实时字幕，上下文偏置功能精准处理影视角色名、专业术语，避免通用转录服务的拼写错误。

5. 合规与文档留存

对金融、医疗等行业的业务交互进行全程监控与转录，说话人分离+词级时间戳提供清晰、可追溯的转录记录，满足行业法规的留存与审计要求。

快速开始使用

1. 云端快速试用

• Voxtral Mini Transcribe V2：可直接在Mistral Studio音频体验平台或Le Chat中上传音频测试，也可通过官方API接入，0.003美元/分钟；
• Voxtral Realtime：云端API接入0.006美元/分钟，流式接口适配实时应用开发。

2. 本地/边缘部署（Voxtral Realtime 开源版）

模型权重已全量发布在Hugging Face Hub，可直接下载部署，支持Transformers、vLLM、TGI等主流推理框架，消费级GPU即可实现实时运行，核心步骤如下：

1. 从Hugging Face Hub下载开源模型权重；
2. 安装Python依赖（transformers、torch、soundfile等）；
3. 加载模型与处理器，调用流式推理接口实现实时音频转录。

3. 官方文档

可通过Mistral官方文档，查看API接入规范、模型部署指南、参数配置详解等全量内容，快速完成开发与部署。