Mistral AI 发布 Voxtral Transcribe 2 — 超低延迟语音识别模型

Mistral AI 发布了 Voxtral Transcribe 2，这是一款新一代的语音转文本模型系列。它包括用于批量转录的Voxtral Mini Transcribe V2，以及用于实时转录的Voxtral Realtime，后者延迟可配置至200毫秒以下。Voxtral Realtime 采用 Apache 2.0 许可证开放权重。两个模型均支持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。Voxtral Mini Transcribe V2 在FLEURS基准测试中的词错误率约为4%，每分钟成本为0.003美元，性能优于GPT-4o mini Transcribe和Gemini 2.5 Flash等竞品。它还具备说话人分离、上下文偏移、词级时间戳、噪声鲁棒性，并支持长达3小时的音频。Voxtral Realtime 拥有40亿参数规模，可在边缘设备上高效运行，即使在480毫秒的延迟下也能提供接近离线的准确度。此外，Mistral 还在 Mistral Studio 中推出了一个音频游乐场，用于测试带有说话人分离和时间戳的转录。