Mistral AI 宣布推出 Voxtral Transcribe 2 新一代语音转文本模型，具备一流的转录质量、人声分割功能和超低延迟。

根据介绍，该系列产品包括用于批量转录的 Voxtral Mini Transcribe V2，支持人声分割、上下文偏置和 13 种语言的单词级时间戳。以及用于实时应用的 Voxtral Realtime，采用 Apache 2.0 许可证开源，专为实时转录而打造，延迟可配置至 200 毫秒以下。

Voxtral Realtime 专为对延迟要求严格的应用场景而设计。与通过分段处理音频来适配离线模型的方案不同，Realtime 采用了一种全新的流式架构，实现音频到转写结果的即时转换。

Realtime 的延迟仅为 2.4 秒，非常适合字幕制作。在480毫秒延迟下，其词错误率仍控制在1-2%范围内，使语音助手能够实现接近离线的准确率。该模型原生支持多语言，在包括英语、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、意大利语和荷兰语在内的13种语言中均实现了出色的转录性能。其参数量仅为40亿，可在边缘设备上高效运行，从而确保敏感部署的隐私和安全。

Voxtral Mini Transcribe V2 显著提升了跨语言和跨领域的转录和语音分割质量。在 FLEURS 数据集上，其词错误率约为 4%。在准确率方面，它优于 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 和 Deepgram Nova，音频处理速度约为 ElevenLabs Scribe v2 的三倍，同时质量与后者持平，而成本仅为后者的五分之一。

此外，该公司还在 Mistral Studio 推出基于 Voxtral Transcribe 2 的音频实验平台，支持即时转录测试。最多可上传 10 个音频文件，支持切换人声分割，选择时间戳粒度，并添加上下文相关的词汇以支持特定领域的词汇。支持 .mp3、.wav、.m4a、.flac 和 .ogg 格式，单个文件大小不超过 1GB。

定价方面，Voxtral Mini Transcribe V2 为每分钟 0.003 美元，Voxtral Realtime 以每分钟 0.006 美元的价格提供。