Voxtral Transcribe 2 是什么？

Voxtral Transcribe 2 是 Mistral 推出的新一代语音转文本模型系列，提供超快速、高精度的转录能力，支持实时处理和说话人分离。该系列包含两个模型：用于批量转录的 Voxtral Mini Transcribe V2 和用于实时应用的 Voxtral Realtime。两者共同支持 13 种语言、词级时间戳、上下文偏置以及隐私优先部署——均以行业领先的速度和成本实现。

适用人群

• 语音应用开发者：需要低于 200 毫秒延迟的实时语音代理和交互式体验。
• 会议与通话处理者：需要准确的说话人分离和词级时间戳，用于多方对话转录。
• 注重隐私的团队：希望在边缘设备上部署开放权重模型，用于敏感或离线场景。

核心功能

Voxtral Realtime

专为实时转录设计，Voxtral Realtime 采用新颖的流式架构，可在音频到达时即时转录。它提供可配置的延迟，最低可达 200 毫秒以下，使语音代理具备接近离线模式的准确性。在 480 毫秒延迟下，其词错误率保持在 1–2% 以内，实时应用质量媲美批量模式。

Voxtral Mini Transcribe V2

该批量模型在 FLEURS 基准测试中实现了约 4% 的词错误率，每分钟成本仅 0.003 美元，达到业界领先的转录质量。在准确性上，它优于 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 和 Deepgram Nova，同时处理音频速度约为 ElevenLabs Scribe v2 的 3 倍，成本仅为后者的五分之一。

说话人分离与上下文偏置

生成带有说话人标签及精确起止时间的转录文本，适用于会议、采访及多方通话。上下文偏置功能允许您提供最多 100 个单词或短语，引导模型正确拼写人名、技术术语或领域特定词汇。

开放权重与多语言支持

Voxtral Realtime 采用 Apache 2.0 许可证发布，可在边缘设备上部署，满足隐私优先应用需求。两个模型原生支持 13 种语言，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。

突出优势

Voxtral Transcribe 2 以最低价格实现最低词错误率，实时延迟低至 200 毫秒以下。

准确性、速度和成本效益的完美结合在当前市场中无可匹敌。Voxtral Mini Transcribe V2 以每分钟 0.003 美元的成本实现业界领先的转录质量，而 Voxtral Realtime 通过流式架构在不牺牲质量的前提下，开启了全新一代语音优先应用。在 Apache 2.0 许可下开放权重发布，进一步使其脱颖而出，支持在边缘设备上进行隐私敏感型部署。

值得关注，如果……

您需要一款兼顾超低延迟、高准确性和成本效益的语音转文本解决方案——尤其适用于实时语音代理、实时转录或隐私优先应用。开放权重模型和多语言支持使其成为跨平台、跨语言开发者的理想选择。