作者 | Sergio De Simone
译者 | 平川
根据 Mistral 的说法，Voxtral 填补了传统 ASR 系统和更先进的基于 LLM 的模型之间的空白。传统 ASR 系统可以提供成本效益高的转录，但缺乏语义理解，而基于 LLM 的模型既提供转录又提供语言理解。虽然与 GPT-4o mini Transcribe、Gemini 2.5 Flash 等其他解决方案提供的功能类似，但 Voxtral 的优势在于其模型权重公开，提高了部署灵活性，并且支持不同的成本模型。
除了可以本地部署外，还可以 通过 Mistral 提供的 API 访问这些新模型。其 API 还提供了一个针对转录做过优化的 Voxtral Mini 定制版本，能帮助降低推理成本和延迟。
Voxtral 支持 32K 令牌的上下文，使其能够转录长达 30 分钟的音频，或理解长达 40 分钟的音频。作为基于 LLM 的模型，它天然适用于基于音频内容的问答和摘要任务，不需要将 ASR 系统与语言模型串联。此外，它还支持根据用户的口头意图执行后端函数、工作流或 API 调用。像 Mistral 的其他模型一样，Voxtral 原生支持多语言和自动语言检测，而且后一个功能针对欧洲语言做了优化。不用说，Voxtral 保留了其基础模型的纯文本能力，可以作为纯文本 LLM 使用。
Mistral 声称，在仅转录用例中，其模型在成本和性能方面优于 OpenAI Whisper、ElevenLabs Scribe 和 Gemini 2.5 Flash 等其他解决方案。
Voxtral 全面超越了目前领先的开源语音转录模型 Whisper large-v3。在所有任务中，它都击败了 GPT-4o mini Transcribe 和 Gemini 2.5 Flash，并在英语短文和 Mozilla Common Voice 上取得了一流的成绩，超越了 ElevenLabs Scribe，展示了其强大的多语言能力。
根据 Mistral 自己的基准测试，Voxtral Small 在多个任务中可与 GPT-4o-mini 和 Gemini 2.5 Flash 相媲美，并在语音翻译方面超越了两者。
