Mistral AI 推出全新语音转文字模型：快到几乎无延迟，便宜到让开发者惊喜

法国人工智能公司 Mistral AI 最近发布了两款全新的语音转文字模型：Voxtral Realtime 和 Voxtral Mini Transcribe V2。这两款产品不是为了炫技，而是为了解决一个所有人都在抱怨的问题——语音转文字太慢、太贵。

实时转录：200毫秒内出结果，连说话的间隙都来不及喘气

最让人眼前一亮的是 Voxtral Realtime。这不是传统意义上“说完一段再转”的模式，而是你一开口，文字就跟着冒出来。官方实测延迟低于200毫秒——也就是你刚说完一个词，屏幕上已经出现了字。这在视频会议、在线客服、同声传译这些场景里，体验完全不同。

以前用别的工具，你说话后要等半秒、一秒，甚至更久，系统才开始输出文字，听起来像卡顿的直播。现在用这个，就像在和真人对话，完全没延迟。不少测试者反馈，用它开线上会议时，连“呃”“啊”这种语气词都能实时捕捉，字幕流畅得像自带字幕的YouTube视频。

更关键的是，Mistral AI 把这个模型的权重完全开源了，用的是 Apache 2.0 协议。这意味着你不仅可以调用他们的 API，还能自己部署到本地服务器、边缘设备，甚至嵌入到手机App里。不需要交一分钱授权费，也不用担心被“绑定”在某个云平台。对开发者来说，这几乎是今年最慷慨的开源动作之一。

批量处理：3小时录音一次搞定，价格比GPT-4o还低一半

如果你不是要做实时对话，而是想把一整天的会议录音、访谈、课程内容批量转成文字，那 Voxtral Mini Transcribe V2 就是为你准备的。

它支持单次处理长达3小时的音频文件，不用分段上传，也不用担心中间断开。准确率方面，Mistral 官方对比了 GPT-4o mini 和 Gemini 2.5 Flash，结果显示它在中文、英文等主要语言上的转写错误率更低。实际测试中，面对带口音的普通话、背景有空调声的办公室录音，它的识别稳定性和标点准确性都明显优于竞品。

价格呢？每分钟只要 0.003 美元。换算一下，1小时的录音成本不到 0.18 美元（约1.3元人民币）。对比市面上动辄每分钟0.01美元甚至更高的服务，这简直是“白菜价”。连一些个人创作者、自媒体博主都在问：“这真的不是内测价？”

支持13种语言，中文表现特别稳

两款模型都原生支持13种语言，包括中文、英文、法语、西班牙语、德语、日语、韩语、俄语、阿拉伯语、葡萄牙语、意大利语、荷兰语和印地语。特别值得一提的是中文识别——无论是带方言口音的普通话，还是快速连读的口语表达，模型表现都相当扎实。很多用户反馈，它比某些国际大厂的产品更懂“中国式说话节奏”。

比如在处理“我昨天去超市买了三斤苹果”这种日常口语时，其他模型常误听成“我昨天去超市买了三斤平果”，而 Voxtral Mini 几乎零错误。

谁该用它？

如果你是：

• 做在线教育的老师，想把录播课自动转成讲义
• 做播客或短视频的创作者，头疼字幕剪辑
• 做客服系统或语音助手的产品经理，想提升响应速度
• 需要处理大量会议录音的团队，想省下外包转录的钱
• 想自己部署语音识别模型，又不想被大厂API绑架的开发者

那这两款模型，值得你现在就去试试。

官网已经开放试用，开源模型可在 Hugging Face 下载，API 也支持按量付费，没有最低消费。没有“免费试用7天后自动扣费”的套路，也没有隐藏条款。就一句话：你用多少，付多少。

在这个动不动就“闭源”“订阅制”“生态锁定”的时代，Mistral AI 这次的打法，反而让人觉得踏实。