Voxtral

是什么

Voxtral 是 Mistral AI 于 2025 年 7 月 15 日发布的一系列语音理解（speech understanding）模型，首发两个规模：240 亿参数的 Voxtral Small 与 30 亿参数的 Voxtral Mini，两者都以 Apache 2.0 许可发布^[1]。它的输入是音频，输出是文本；但 Mistral 给它的定位不只是「把话转成字」，同一个模型还要能就录音内容回答问题、生成摘要，或者按说话人的意图去执行动作^[1]。

由来

Voxtral 建立在 Mistral Small 3.1 之上，并保留了后者的文本能力^[1]。也就是说，Mistral 没有为语音单独另造一个模型，而是让一个已有的文本模型学会「听」。发布当天，这条产品线被分成三种可用形态：Voxtral Small 与 Voxtral Mini 面向对话类用途，Voxtral Mini Transcribe 则针对转写场景做了优化^[2]。

长音频与上下文

这组模型使用 32K token 的上下文（context），也就是模型一次能够处理的输入长度。用于转写时，这个长度可容纳最多 30 分钟的音频；用于理解音频时，最多可容纳 40 分钟^[1]。这两种用途之所以容量不同，是因为任务本身对输出的要求不一样：转写要把听到的内容逐字写出来，理解则只需要给出答案或摘要。

不止于转写

除转写外，Voxtral 还能回答关于音频内容的问题，或对音频生成结构化摘要；它还可以根据用户口述的意图，触发后端函数或 API 调用^[1]。后一项能力指向的是语音操作软件的用法：人不再点菜单，而是说出想要什么，由模型判断该执行哪个函数。

对比结果

Mistral 称，在转写任务上 Voxtral 优于 Whisper large-v3、GPT-4o mini Transcribe 和 Gemini 2.5 Flash^[1]；该公司同时称，这组模型在所有任务上都优于 GPT-4o mini Transcribe 与 Gemini 2.5 Flash^[1]。这些结论来自厂商自己给出的对比。

价格与最早的落地

Voxtral 通过 API 提供，按音频时长计费，价格从每分钟 0.001 美元起^[1]。发布两天后，从 2025 年 7 月 17 日起，Voxtral 开始为 Le Chat 的语音模式提供支持^[4]。

之后的版本

2026 年 2 月 4 日，Voxtral Mini Transcribe 2 与 Voxtral Realtime 推出；2026 年 10 月 20 日，覆盖转写与语音合成（text-to-speech，TTS）的 Voxtral 3 系列发布^[2]。早期的 Voxtral Mini 以 voxtral-mini-2507 的模型名提供，其弃用日期为 2026 年 2 月 27 日，退役日期为 2026 年 5 月 31 日，替代者是 Voxtral Mini Transcribe 2^[3]。

在发展中的位置

从版本演进可以看出这条产品线在逐步分化：发布当天是三种形态——两个面向对话的规模和专门做转写的版本；随后出现了转写升级版与实时版本；最后扩展到同时能生成语音的 Voxtral 3 系列^[2]。对使用者来说，Voxtral 的吸引力在于把几件事放在同一套模型里：音频转写与音频理解，问答与摘要，以及由语音触发的函数调用，并以开放许可发布、按分钟计价^[1]。