Mistral 发布 Voxtral Transcribe 2，Voxtral Realtime 以 Apache 2.0 开放权重
Research Voxtral transcribes at the speed of sound. February 4, 2026 By Mistral
Mistral 发布 Voxtral Transcribe 2，包含 Voxtral Mini Transcribe V2（批量转写）和 Voxtral Realtime（实时转写）两款语音转文字模型。
官方给出了两个语音转写模型的能力边界、延迟数字、基准对比和开放权重细节，便于评估其在语音应用中的可迁移性。
SALES 按用量计费，针对您的规模起价约为每月 5 千欧元。
PROSPECT 定价是怎样的？
SALES 一家公司在三个月内将用户满意度提升了 40%。
SALES 好的，我会发送一份案例研究
PROSPECT 你们有科技行业的案例研究吗？
SALES 一位客户在提升性能的同时将成本降低了 30%。
SALES 我们的平台可与您的系统集成，使用开源 AI 模型。
PROSPECT Mistral AI 提供什么？
PROSPECT 我们一直在改进我们的技术栈。
SALES 您是否探索过将流程自动化？
SALES 我们通过可扩展的解决方案帮助团队优化 AI 工作流。
PROSPECT 这是关于什么的？
PROSPECT 当然
SALES 有空聊一分钟吗？
SALES 你好！
SALES 再聊。
SALES 感谢您的时间！
PROSPECT 谢谢。
PROSPECT 太好了，
SALES 周二或周四。
SALES 我会发送一个 Calendly 链接
PROSPECT 我们下周能见面吗？
PROSPECT 通过电子邮件把详情发给我。
SALES 我可以分享一份详细的估算。
SALES 按用量计费，针对您的规模起价约为每月 5 千欧元。
PROSPECT 定价是怎样的？
SALES 一家公司在三个月内将用户满意度提升了 40%。
SALES 好的，我会发送一份案例研究
PROSPECT 你们有科技行业的案例研究吗？
SALES 一位客户在提升性能的同时将成本降低了 30%。
SALES 我们的平台可与您的系统集成，使用开源 AI 模型。
PROSPECT Mistral AI 提供什么？
PROSPECT 我们一直在改进我们的技术栈。
SALES 您是否探索过将流程自动化？
SALES 我们通过可扩展的解决方案帮助团队优化 AI 工作流。
PROSPECT 这是关于什么的？
PROSPECT 当然
SALES 有空聊一分钟吗？
Voxtral Transcribe 2 转录中...T r a n s c r i b i n g... Voxtral 转录
以音速般的速度。
在 Mistral Studio 中试用 Voxtral Transcribe 2
精准说话人分离，实时
今天，我们发布 Voxtral Transcribe 2，这是两款新一代语音转文本模型，具备最先进的转录质量、说话人分离和超低延迟。该系列包括用于批量转录的 Voxtral Mini Transcribe V2 和用于实时应用的 Voxtral Realtime。Voxtral Realtime 以 Apache 2.0 许可证开放权重。
我们还在 Mistral Studio 中推出一个音频试验场，可即时测试转录，由 Voxtral Transcribe 2 提供支持，具备说话人分离和时间戳功能。亮点。Voxtral Mini Transcribe V2：最先进的转录，支持说话人分离、上下文偏置和词级时间戳，覆盖 13 种语言。Voxtral Realtime：专为实时转录打造，延迟可配置低至 200 毫秒以下，赋能语音代理和实时应用。一流的效率：以极低的成本实现行业领先的准确率，Voxtral Mini Transcribe V2 以最低的价格实现最低的词错误率。开放权重：Voxtral Realtime 以 Apache 2.0 发布，可部署在边缘端，适用于隐私优先的应用。Voxtral Realtime。
Voxtral Realtime 专为延迟至关重要的应用而打造。与通过分块处理音频来适配离线模型的方法不同，Realtime 采用新颖的流式架构，在音频到达时即进行转录。该模型提供的转录延迟可配置低至 200 毫秒以下，开启了一类全新的语音优先应用。
FLEURS 转录基准中各语言的词错误率（越低越好）。
在 2.4 秒延迟下，非常适合字幕制作，Realtime 与我们最新的批量模型 Voxtral Mini Transcribe V2 相当。在 480 毫秒延迟下，其词错误率保持在 1-2% 以内，使语音代理具备接近离线的准确率。
该模型原生支持多语言，在 13 种语言中实现了强大的转录性能，包括英语、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、意大利语和荷兰语。凭借 4B 参数规模，它能在边缘设备上高效运行，确保敏感部署的隐私与安全。
我们以 Apache 2.0 许可证在 Hugging Face Hub 上发布模型权重。Voxtral Mini Transcribe V2。
在五个英语基准（Switchboard、CallHome、AMI-IHM、AMI-SDM、SBCSAE）和 TalkBank 多语言基准（德语、西班牙语、英语、中文、日语）上的平均说话人分离错误率（越低越好）。
在 FLEURS 转录基准中排名前 10 的语言上的平均词错误率（越低越好）。
Voxtral Mini Transcribe V2 在跨语言和跨领域的转录与说话人分离质量上实现了显著提升。在 FLEURS 上词错误率约为 4%，价格为 $0.003/分钟，Voxtral 提供了所有转录 API 中最佳的性价比。它在准确率上优于 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 和 Deepgram Nova，处理音频的速度约为 ElevenLabs 的 Scribe v2 的 3 倍，同时以五分之一的价格达到同等质量。模型功能。
Voxtral Mini Transcribe 2 引入了关键能力。说话人分离。
生成带有说话人标签和精确开始/结束时间的转录。非常适合会议转录、访谈分析和多方通话处理。注意：对于重叠语音，模型通常只转录一位说话人。上下文偏置。
提供最多 100 个单词或短语，引导模型正确拼写姓名、技术术语或领域特定词汇。对于标准模型经常遗漏的专有名词或行业术语特别有用。上下文偏置针对英语进行了优化；其他语言的支持为实验性。词级时间戳。
为每个词生成精确的开始和结束时间戳，支持字幕生成、音频搜索和内容对齐等应用。扩展语言支持。
与 Realtime 一样，该模型现在支持 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、意大利语和荷兰语。非英语性能显著超越竞争对手。噪声鲁棒性。
在具有挑战性的声学环境中保持转录准确性，例如工厂车间、繁忙的呼叫中心和现场录音。更长音频支持。
在单次请求中处理长达 3 小时的录音。
在 FLEURS 转录基准中跨语言的词错误率（越低越好）。 音频演练场。
在 Mistral Studio 中直接测试 Voxtral Transcribe 2。上传最多 10 个音频文件，切换说话人分离，选择时间戳粒度，并添加上下文偏置词以支持领域特定词汇。支持 .mp3、.wav、.m4a、.flac、.ogg，每个最大 1GB。变革语音应用。
Voxtral 为各种应用和行业中的语音工作流提供支持。
会议智能。
通过说话人分离转录多语言录音，清晰标明谁在何时说了什么。以 Voxtral 的价格点，可以以行业领先的成本效率标注大量会议内容。
语音代理和虚拟助手。
构建具有低于 200ms 转录延迟的对话式 AI。将 Voxtral Realtime 连接到您的 LLM 和 TTS 流水线，打造自然流畅的响应式语音界面。
联络中心自动化。
实时转录通话，使 AI 系统能够在对话仍在进行时分析情绪、建议回复并填充 CRM 字段。说话人分离确保坐席与客户之间的清晰归属。
媒体与广播。
以极低延迟生成实时多语言字幕。上下文偏置可处理专有名词和技术术语，这些内容常常让通用转录服务出错。
合规与文档记录。
监控并转录交互以满足监管合规要求，说话人分离提供清晰的说话人归属，时间戳则支持精确的审计追踪。
两个模型都通过安全的本地部署或私有云部署支持符合 GDPR 和 HIPAA 的部署。开始使用。
Voxtral Mini Transcribe V2 现已通过 API 提供，每分钟 $0.003。立即在新的 Mistral Studio 音频演练场或 Le Chat 中试用。
Voxtral Realtime 通过 API 提供，每分钟 $0.006，并在 Hugging Face 上以开放权重形式发布。
探索关于 Mistral 音频和转录能力的文档。我们正在招聘。
如果你对构建世界级语音 AI，并将前沿模型交到各地开发者手中感到兴奋，我们很乐意听到你的消息。申请加入我们的团队。分享这篇文章
来源：Mistral AI：News · mistral.ai