Mistral · 大模型
Mistral 发布 Voxtral 语音模型
Mistral 推出 Voxtral，一款原生多模态语音模型，能够直接理解和生成语音，无需经过文本转写。Voxtral 支持实时对话、情感识别和多种语言，在语音交互任务上表现出色。该模型为语音助手、客服和实时翻译等场景提供了更自然流畅的交互基础，标志着 Mistral 在语音 AI 领域的重要布局。
- 域名
mistral.ai- 评分
- 5 · 重大发布
- 发布
- 2025-07-22
导读
Mistral 推出 Voxtral，一组面向语音理解的前沿开源模型，包括 Voxtral Small 与 Voxtral Mini。这两款模型在传统转写之外，原生具备语义理解、多语种处理、长音频问答与语音翻译能力，可被当作 Ministral、Mistral Small 3.1 的语音替身直接接入文本工作流。Voxtral 的定价做到了同类闭源 API 的不到一半，Voxtral Mini Transcribe 在更低价位上超过 OpenAI Whisper，Voxtral Small 则与 ElevenLabs Scribe 拉平表现。
评测层面，Voxtral 在英文短音频与 Mozilla Common Voice 上取得 state-of-the-art，并在 FLEURS 跨语言基准上每项任务均胜过 Whisper large-v3。Speech Translation 走 FLEURS-Translation，Voxtral Small 取得当前最优。模型的能力清单覆盖摘要、回答、分析、洞察等下游动作，支持从笔记本原型到本地私有部署、再到云端生产环境的整条路径，Mistral 团队还为受监管行业提供专用 GPU 部署与量化推理工具。
对希望落地语音交互的团队而言，Voxtral 解决了一个老问题：开源 ASR 词错率高、语义理解弱；闭源 API 准确但价格高、可控性差。Voxtral 把高精度转写与原生理解放在同一权重里开源出来，让客服、实时翻译、长音频问答等场景有了第三条路。Mistral 同时预告了说话人分割、情绪标注、词级时间戳、非语音音频识别等后续功能，并邀请合作伙伴共建说话人识别、情感检测与更长上下文窗口。