2026 年 2 月 4 日，Mistral 發表 Voxtral Transcribe 2，一次推出兩個模型：批次轉錄的 Voxtral Mini Transcribe V2 與串流的 Voxtral Realtime。後者以 Apache 2.0 開源權重（Voxtral-Mini-4B-Realtime-2602，8.87 GB），4B 參數可直接跑在邊緣裝置。API 計價：批次每分鐘 0.003 美元、即時每分鐫 0.006 美元。
在 FLEURS 基準上，Mistral 報出約 4% 的詞錯誤率（WER）。這次發布的意義有二：語音轉錄的成本地板再一次下移；串流轉錄首次有開源權重做到「接近批次品質」。這也是繼 2025 年 7 月第一代 Voxtral 之後最大的升級。
兩個模型：批次與串流
批次版鎖定離線工作負載：說話者分離（附起訖時間，重疊語音通常歸為同一人）、context biasing（最多 100 個自訂詞彙引導專有名詞，英文最佳）、詞級時間戳，以及 13 種語言（英、中、印地、西、阿、法、葡、俄、德、日、韓、義、荷）。抗噪針對工廠與客服中心環境，單次請求最長 3 小時音訊。Voxtral Realtime 走串流路線，延遲可組態到 200ms 以下。
延遲與準確度的取捨
串流轉錄的難點是「等多久、錯多少」。Mistral 的數據：延遲 2.4 秒時，即時版準確度與批次版持平；壓到 480ms 時，WER 只增加 1 到 2 個百分點。橫向比較上，Mistral 宣稱勝過 GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal 與 Deepgram Nova；對比 ElevenLabs Scribe v2 則快約 3 倍、成本約五分之一。宣稱照例要自行驗證，但串流與批次只差 1 到 2 個百分點，已把即時應用的可行邊界往外推。
開源權重與邊緣部署
即時版開源是這次發布最重要的一部分。Apache 2.0、4B 參數的體積，讓本地跑即時轉錄從整合專案變成下載即用。Mistral 明確瞄準隱私敏感場景：GDPR 與 HIPAA 合規的本地或私有雲部署。在 2026 年開源路線分歧擴大的背景下（見年初觀察），開源權重是對抗雲端鎖定的籌碼，而語音正是資料最敏感的模態之一。
計價與周邊生態
每分鐘 0.003 美元，等於每小時 0.18 美元。API 端點是 /v1/audio/transcriptions，model ID 為 voxtral-mini-latest 與 voxtral-mini-transcribe-realtime-2602。Mistral Studio 同步上線音訊 playground，可上傳 10 個檔案（mp3、wav、m4a、flac、ogg，各 1GB）。Simon Willison 實測評價正面——demo 能即時處理快速語音與 Django、WebAssembly 這類術語，文字稿帶說話者標籤，可匯出純文字、SRT 或 JSON。
對開發者與產品團隊的意義
三個判斷。第一，若轉錄是變動成本大頭，0.003 美元/分鐘值得重新試算，尤其是對照既有供應商的帳單。第二，需要即時字幕、語音代理或合規記錄的產品，多了一條開源、可自架、480ms 延遲的路徑。第三，評估請用自己的資料：基準橫跨 FLEURS、Switchboard、CallHome、AMI，但工廠噪音與多說話者重疊仍要實測——分離在重疊語音上的限制，是官方寫明的邊界。
參考來源
- Voxtral transcribes at the speed of sound — Mistral AI
- Voxtral transcribes at the speed of sound — Simon Willison
- Mistral drops Voxtral Transcribe 2, an open-source speech model that runs on-device — VentureBeat
本文由 AI 協助自上述來源整理，經人工審核後發布。