Voxtral Transcribe 2 by Mistral
Voxtral Transcribe 2：Mistral AI 推出的下一代多语言实时语音转文本模型
Voxtral Transcribe 2 是由 Mistral AI 推出的先进语音转文本模型系列，包含 Voxtral Mini Transcribe V2 和 Voxtral Realtime。该系列支持 13 种语言，具备高精度说话人日志、超低延迟实时转录及上下文偏置功能。Voxtral 以行业领先的成本效益提供 Apache 2.0 开源权重，助力企业构建高效、安全的语音 AI 应用，如语音助手、会议智能和呼叫中心自动化。
2026-02-06
7963.5K
Voxtral Transcribe 2 by Mistral 产品信息
Voxtral Transcribe 2：重新定义语音转文本的性能与效率
在人工智能驱动的数字化转型浪潮中，语音识别技术的精准度与实时性已成为企业提升竞争力的关键。Mistral AI 正式推出了 Voxtral Transcribe 2，这是两款针对不同应用场景设计的下一代语音转文本模型。该系列模型不仅在转录质量上达到了行业领先水平，更在说话人日志（Diarization）、超低延迟以及成本效益方面实现了重大突破。
什么是 Voxtral Transcribe 2？
Voxtral Transcribe 2 是 Mistral AI 研发的最新语音处理模型家族，旨在为开发者和企业提供高性能的语音转录解决方案。该家族由两个主要模型组成：
- Voxtral Mini Transcribe V2：专为批量转录任务设计，具备极高的准确率和极具竞争力的价格。
- Voxtral Realtime：采用创新的流式架构，专为对延迟极其敏感的实时应用（如语音助手）而构建。其中，Voxtral Realtime 遵循 Apache 2.0 协议 开放模型权重，允许在边缘侧进行隐私优先的部署。
用户可以通过 Mistral Studio 中的全新音频实验室（Audio Playground）即刻体验 Voxtral Transcribe 2 的强大功能。
主要功能（Features）
1. 卓越的转录与说话人日志
Voxtral Mini Transcribe V2 在 13 种语言（包括中文、英语、法语、日语等）中表现卓越，在 FLEURS 基准测试中实现了约 4% 的极低词错误率（WER）。其说话人日志功能能够精准标记不同发言者及其起始时间，即便是复杂的会议场景也能轻松应对。
2. 超低延迟的实时体验
Voxtral Realtime 不像传统模型那样将音频切片处理，而是随音频流入即刻转录。其延迟可配置低至 200ms 以下。在 480ms 的延迟设置下，其准确率与离线模型几乎无异，是构建自然交互语音代理的理想选择。
3. 企业级增强特性
- 上下文偏置（Context Biasing）：用户可提供最多 100 个术语（如人名、技术词汇或行业术语），引导模型提高特定词汇的识别准确率。
- 词级时间戳：为每个单词生成精确的时间戳，方便字幕制作与音频搜索。
- 环境鲁棒性：在工厂车间、繁忙的呼叫中心等高噪音环境下依然能保持高准确度。
- 长音频支持：单次请求可处理长达 3 小时的录音文件。
4. 极致的性价比与开源精神
Voxtral Mini Transcribe V2 的 API 价格仅为 $0.003/分钟，其处理速度比同类竞品快约 3 倍，而成本仅为五分之一。Voxtral Realtime 则通过开源权重，助力开发者在私有云或边缘设备上构建安全可控的应用。
应用场景（Use Case）
Voxtral Transcribe 2 的灵活性使其能够广泛应用于各行各业：
- 会议智能：自动转录多语言会议记录，并利用说话人日志清晰标注发言人。某案例显示，企业通过自动化流程成功将成本降低了 30%。
- 语音代理与虚拟助手：利用 Voxtral Realtime 的低延迟特性，连接 LLM（大语言模型）和 TTS（语音合成），打造反应敏捷、对话自然的 AI 助手。
- 呼叫中心自动化：实时转录通话内容，分析用户情绪并自动填充 CRM 字段。据测试，相关技术曾帮助公司在三个月内提升了 40% 的用户满意度。
- 媒体与广播：为现场直播生成低延迟的多语言字幕，通过上下文偏置准确识别技术术语。
- 合规与记录：通过精确的审计追踪和说话人标注，确保受监管行业的互动记录符合 GDPR 或 HIPAA 标准。
如何使用（How to Use）
您可以通过以下方式快速开始使用 Voxtral Transcribe 2：
- Mistral Studio 音频实验室：登录 Mistral Studio，上传格式为 .mp3, .wav, .m4a 等的音频文件（单文件最大 1GB），即可测试转录、说话人日志和上下文偏置功能。
- API 集成：
- 使用 Voxtral Mini Transcribe V2 接口进行高效批量处理（费用为 $0.003/min）。
- 使用 Voxtral Realtime 接口构建实时对话应用（费用为 $0.006/min）。
- 开源部署：从 Hugging Face Hub 下载 Voxtral Realtime 的模型权重，根据 Apache 2.0 协议在自有硬件上部署。
常见问题（FAQ）
Q: Voxtral Transcribe 2 支持哪些语言？ A: 目前支持 13 种语言：中文、英语、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。
Q: 它的定价模式是怎样的？ A: Voxtral 采用按需计费模式。Mini Transcribe V2 为 $0.003/分钟，Realtime 为 $0.006/分钟。对于大规模企业需求，起步价约为每月 €5K。
Q: 如果多人同时说话，模型能识别吗？ A: 在语音重叠的情况下，模型通常会选择转录其中一位发言者的内容，但在标准的多方通话中，说话人日志功能可以很好地归属发言权。
Q: 是否支持私有化部署？ A: 是的，Voxtral 支持通过本地部署或私有云设置来满足 GDPR 和 HIPAA 的合规要求。
