Mistral AI 发布语音模型 Voxtral

背景

语音模型的任务是把一段录音变成文字。这里其实包含两件事：一是转写（transcription），把说过的话记录下来；二是理解，也就是针对录音内容回答问题，或者把它压缩成一份摘要。过去这两件事常常分开做——先转写成文字，再把文字交给另一个语言模型处理。

发布

2025年7月15日，Mistral AI 发布了两款语音模型：Voxtral Small 和 Voxtral Mini ^[1]。两者的区别在规模，Small 为 240 亿参数，Mini 为 30 亿参数 ^[1]。参数是模型内部学到的数值，参数越多通常意味着模型越大、运行成本越高，参数越少则意味着更轻、更容易部署。

两款模型均以 Apache 2.0 许可证发布 ^[1]。这是一种宽松的开源许可证，条款允许使用、修改和再分发。

Mistral 同时通过 API 提供这两款模型，价格从每分钟音频 0.001 美元起 ^[1]。

关键细节

在转写方面，两款模型单次都能处理最长 30 分钟的音频 ^[1]。这个长度足够覆盖一节课、一场会议或一次长访谈，不必先切成碎片再拼接起来。

它们的能力不止于给出逐字稿。按 Mistral 的说法，它们可以就录音内容回答问题，也能生成结构化的摘要 ^[1]——比如把一段对话整理成有条目的笔记，而不是一大片连续的文字。把这些能力放在语音模型内部，意味着音频不必先转写成文字、再交给另一套系统去回答追问。

Mistral 称，Voxtral 全面优于 Whisper large-v3，后者是它选定的对比对象 ^[1]。

影响

这次发布一次性拿出了两个尺寸的语音模型，且都采用宽松许可证 ^[1]。对使用者来说，在 240 亿参数和 30 亿参数之间做选择，实际上是在决定每处理一小时音频要花多少算力；而 Apache 2.0 的条款也留出了把权重放在自己的机器上运行的空间，而不只是远程调用。

公开的 API 价格为每分钟 0.001 美元 ^[1]，等于给同一批模型标出了一个按分钟计价的标准。语音转写通常是按音频时长来计费和估算的，因此「每分钟多少钱」正是团队在选型时会拿来比较的数字。

与 Whisper large-v3 的对比，则把这次发布放在了一个明确指定的转写基线上 ^[1]。这类基准成绩更像起点而非结论：优势能否在多种语言、口音和嘈杂录音中保持，通常要由使用者拿自己的素材去验证。