Mistral AI 发布 Voxtral Transcribe 2：新一代语音转文字模型，实时版开源

Voxtral Transcribe 2 是什么？

2026年2月4日，Mistral AI 发布了新一代语音转文字模型 Voxtral Transcribe 2。它包含两个模型：Voxtral Mini Transcribe V2 用于批量转录，Voxtral Realtime 用于实时转录。其中 Realtime 模型以 Apache 2.0 开源，开发者可以自由使用和修改。

简单来说，它能把音频变成文字，就像给声音装上了即时的文字速记员。它支持13种语言，包括英语、中文、印地语等，还能区分说话人，并给出每个词的时间戳。

Voxtral Realtime：实时转录的利器

Voxtral Realtime 专为需要低延迟的场景设计，比如语音助手、实时字幕。它采用流式架构，音频一边输入一边转录，延迟可低至200毫秒以下，几乎感觉不到等待。

在2.4秒延迟下，它的准确率与批量模型相当；在480毫秒延迟下，词错误率仅增加1-2%。模型参数量为4B，可以在边缘设备上运行，保护隐私。

Voxtral Mini Transcribe V2：高性价比的批量转录

Voxtral Mini Transcribe V2 是批量转录模型，在 FLEURS 基准上词错误率约4%，API 价格仅为每分钟0.003美元，性价比极高。它支持说话人分离、上下文偏置（可提供最多100个词或短语来纠正专有名词）、词级时间戳，还能处理长达3小时的音频。

在嘈杂环境（如工厂、呼叫中心）中也能保持准确，适合会议记录、访谈分析等场景。

开源与闭源：如何获取？

Voxtral Realtime 的模型权重已在 Hugging Face 上以 Apache 2.0 许可证开源，开发者可以下载并部署到自己的服务器或边缘设备。Voxtral Mini Transcribe V2 则通过 API 提供，价格为每分钟0.003美元，官方未说明是否开源。

此外，Mistral Studio 推出了音频测试平台，用户可以上传音频文件，测试转录、说话人分离等功能。

用途与适用人群

Voxtral Transcribe 2 可用于多种场景：会议记录（自动区分发言人）、语音助手（实时响应）、呼叫中心自动化（实时分析对话）、媒体字幕（多语言实时字幕）、合规记录（带时间戳的审计轨迹）。

适合开发者、企业、媒体机构等需要语音转文字服务的用户。对于学生，它可以帮助把课堂录音变成笔记，但需注意隐私。

限制与注意事项

官方说明，上下文偏置功能目前仅优化了英语，其他语言支持为实验性。模型在重叠语音时通常只转录一个说话人。实时模型的延迟可配置，但具体效果取决于硬件和网络。

此外，虽然支持13种语言，但非英语性能虽优于竞品，仍可能不如英语准确。使用开源模型时，需遵守 Apache 2.0 许可证。

总结

Voxtral Transcribe 2 是 Mistral AI 在语音领域的重要更新，提供了高性价比的批量转录和低延迟的实时转录，并开源了实时模型。它让语音转文字技术更易用、更普及。

对于小学生来说，可以想象一个超级速记员，他听人说话就能立刻写下文字，还能分清谁在说话，甚至能纠正名字的拼写。这个速记员现在有两个版本：一个适合慢慢听（批量），一个适合边听边写（实时）。