摘要： Mistral 於 2026 年 2 月 4 日推出 Voxtral Transcribe 2，包含批次轉錄與即時串流兩款模型，並以 Apache 2.0 開源即時版 4B 權重。API 收費為批次每分鐘 0.003 美元、即時每分鐘 0.006 美元，官方稱 FLEURS 詞錯誤率約 4%。對需要本地部署的語音代理與合規記錄團隊，這提供可自架的即時路徑，但噪音與重疊語音仍需實測。
Mistral 在 2026 年 2 月 4 日推出 Voxtral Transcribe 2，一次帶來兩款模型：負責批次轉錄的 Voxtral Mini Transcribe V2，以及處理串流的 Voxtral Realtime。串流版直接以 Apache 2.0 釋出權重，型號 Voxtral-Mini-4B-Realtime-2602、檔案大小 8.87 GB；4B 參數的體積，設計上就是為了讓邊緣裝置跑得動。API 收費分兩種：批次每分鐘 0.003 美元，即時每分鐘 0.006 美元。
Mistral 自己公布的數字是：FLEURS 基準的詞錯誤率（WER）約 4%。這場發布有兩層意義：語音轉錄的價格底線再度往下移；開源權重也第一次在串流轉錄上逼近批次模型的品質。自 2025 年 7 月的第一代 Voxtral 以來，這是該產品線幅度最大的一次更新。
批次與串流，各管一攤
批次版瞄準離線任務，功能清單包括：說話者分離，並標出每段發言的起訖時間（語音重疊時，通常仍判定為同一人）；context biasing，可用至多 100 個自訂詞彙去拉正專有名詞（英文效果最好）；詞級時間戳；以及共 13 種語言——英、中、印地、西、阿、法、葡、俄、德、日、韓、義、荷。噪音容忍度是照工廠與客服中心的場景設計的，單一請求最多能吃下 3 小時音訊。Voxtral Realtime 則負責串流場景，延遲設定有彈性，可以壓到 200ms 以內。
速度與準確率的拉鋸
串流轉錄最核心的取捨，永遠發生在等待時間與錯誤率之間。Mistral 給的數字是：延遲放到 2.4 秒，即時版的準確度就能追平批次版；就算壓到 480ms，WER 也只多 1 到 2 個百分點。橫向對手方面，Mistral 宣稱表現勝過 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 和 Deepgram Nova；碰上 ElevenLabs Scribe v2，速度快約 3 倍，花費只要約五分之一。廠商數字照例得自己驗過才算數，不過「串流只落後批次 1 到 2 個百分點」這件事本身，就足以把即時應用的可行範圍再往外推一圈。
權重開源，部署下沉
整場發布裡分量最重的，是即時版直接開源。有了 Apache 2.0 授權加上 4B 參數的輕量體積，在自己機器上跑即時轉錄不再是工程整合案，抓下模型就能用。Mistral 點名的目標場景很清楚：需要符合 GDPR 與 HIPAA 的本地或私有雲環境。放回 2026 年開源路線之爭越拉越大（年初的觀察可參照）的脈絡來看，開源權重正是對抗雲端綁定的籌碼，而語音恰恰是敏感度最高的資料型態之一。
價格與工具鏈
換算下來，每分鐘 0.003 美元，一小時就是 0.18 美元。串接用的端點是 /v1/audio/transcriptions，model ID 有 voxtral-mini-latest 與 voxtral-mini-transcribe-realtime-2602 兩個。工具端，Mistral Studio 同步多了音訊 playground，一次可上傳 10 個檔案，格式含 mp3、wav、m4a、flac、ogg，單檔上限 1GB。Simon Willison 動手試過後給了正面評價——瀏覽器 demo 轉得起語速快的內容，Django、WebAssembly 這類技術名詞也接得住，產出的文字稿附說話者標籤，可匯出純文字、SRT 或 JSON。
給開發者與產品團隊的三個判斷
這裡給三個判斷。第一，產品若以轉錄作為主要變動成本，0.003 美元/分鐘的報價值得重算一次帳，特別是拿現任供應商的發票來對。第二，做即時字幕、語音代理或合規記錄的團隊，手上多了一條開源、可自行架設、延遲 480ms 的路。第三，導入前請拿自家資料實測：官方基準涵蓋 FLEURS、Switchboard、CallHome、AMI，但工廠環境的噪音和多個說話者同時開口的情況仍得現場驗證——說話者分離碰上重疊語音的限制，是官方寫明的邊界。