Mistral · ASR
Mistral 发布 Voxtral Transcribe 2 语音识别模型
Mistral 推出了新一代语音识别模型 Voxtral Transcribe 2，在转录准确率和多语言支持上均有显著提升。该模型专为实时语音转文字场景设计，能够处理嘈杂环境和多样化口音，为开发者提供更可靠的 ASR 能力。Voxtral Transcribe 2 的发布标志着 Mistral 在语音 AI 领域的重要布局，未来有望与自家大模型生态深度整合。
- 域名
mistral.ai- 评分
- 5 · 重大发布
- 发布
- 2026-03-16
导读
Mistral 发布 Voxtral Transcribe 2，由 Voxtral Mini Transcribe V2 与 Voxtral Realtime 两个模型组成的语音转写家族。Mini Transcribe V2 面向批量转录，FLEURS 多语种基准上的平均词错误率约 4%，价格 $0.003 / 分钟；Realtime 面向直播与语音 agent 场景，延迟可配置到 200ms 以下，4B 参数规模，以 Apache 2.0 许可在 Hugging Face 开源权重，能在边缘设备运行。
两个模型都覆盖英语、中文、印地语、西班牙语、阿拉伯语等共 13 种语言。Realtime 抛弃把离线模型按音频块拼接的做法，采用边收边转的流式架构，2.4 秒延迟下与 Mini Transcribe V2 持平，480ms 延迟下词错误率只比离线高 1–2 个百分点。Mini Transcribe V2 在精度对比中超过 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 与 Deepgram Nova，处理速度约为 ElevenLabs Scribe v2 的 3 倍，价格只有后者的五分之一。
Mistral 同时在 Mistral Studio 上线 audio playground，可上传最多 10 个文件、切换说话人分离、选择时间戳粒度、添加最多 100 个 context bias 词条强化专有名词识别。两个模型都支持 GDPR 与 HIPAA 合规部署，覆盖会议转录、客服分析、合规审计、直播字幕等场景。Realtime 的开放权重与 Mini Transcribe V2 的价格点，让这次发布在精度、延迟与成本三条线上同时挪动了 ASR 市场的参考点。