Mistral AI 推出两款新语音转文字模型，速度、隐私与价格全都要

法国AI公司Mistral AI刚刚发布了两款全新的语音转文字工具：Voxtral Realtime 和 Voxtral Mini Transcribe V2。这两款产品不是实验室里的概念演示，而是直接面向企业用户、开发者和隐私敏感型客户的实用工具——快、便宜、还能跑在你自己的电脑上。

过去，高质量的语音转文字要么贵得离谱，要么必须把录音上传到云端，让人心里没底。现在，Mistral AI 用两个模型，把这三件事一次性解决了：实时转录不卡顿、批量处理更精准、价格低到让你怀疑是不是写错了。

实时转录：延迟200毫秒，手机也能跑

Voxtral Realtime 是为直播、电话客服、会议录音这类“边说边转”场景设计的。它能在你说话后不到四分之一秒就显示文字——200毫秒的延迟，比人类反应还快。即使你把延迟放宽到480毫秒（更稳定），它的准确率也和离线处理的顶级模型不相上下，词错率控制在1%-2%之间。

最让人意外的是，这个模型只有40亿参数，体积小到能在iPhone、MacBook或者普通Windows笔记本上本地运行。不需要上传音频到服务器，录音内容完全留在你设备里。对律师、记者、医疗从业者或任何处理敏感对话的人来说，这不再是“加分项”，而是刚需。

它已经在Hugging Face开源，使用Apache 2.0协议，免费商用。API价格只要每分钟0.006美元——换算下来，一小时不到4美分。如果你是开发者，可以直接集成进自己的App；如果是中小企业，连API都省了，自己部署一个本地服务，成本几乎可以忽略。

批量转录：3小时长录音，每分钟3美分

如果你手头有一堆会议录音、访谈音频、客服通话记录，Voxtral Mini Transcribe V2 就是你的省钱神器。它专为批量处理设计，单次能处理长达3小时的音频，自动识别谁在什么时候说话，还能打上精确到毫秒的时间戳。

在权威的FLEURS语音识别测试中，它的词错率（WER）表现优于多数商业方案。更关键的是，API定价只有每分钟0.003美元——比Google Cloud Speech-to-Text便宜近80%，比AWS Transcribe低70%以上。不少用户在测试后反馈：“以前录一小时得花十几块，现在只要不到两毛钱。”

这套模型特别适合呼叫中心、法律事务所、学术研究团队和内容创作者。你不需要买昂贵的软件，也不用雇佣人工听写，只需上传文件，几秒后就能拿到带说话人标签的完整文本，直接复制进Word或Notion就行。

13种语言，中文支持扎实

两款模型原生支持13种语言，包括中文、英语、法语、日语、德语、西班牙语、意大利语、葡萄牙语、俄语、阿拉伯语、荷兰语、瑞典语和韩语。中文支持不是“能用”级别，而是经过大量普通话、粤语和带口音的口语数据训练，对数字、地名、行业术语的识别准确率明显优于同类产品。

不少用户在测试中发现，它对“微信”“支付宝”“PPT”“OKR”这类中英混杂词的识别非常自然，不像某些模型总把“PPT”听成“PPT的”或者“PPT儿”。

现在就能试，不用等

你不需要申请内测，也不用等审批。现在就可以去 Mistral AI 的 Audio Playground 或 Le Chat 助手，直接上传一段音频，马上看到转写结果。无论是你录的一段访谈，还是一段会议录音，都可以免费试用几次。

如果你是开发者，GitHub 上已经开放了模型权重和推理代码；如果你是企业采购，Mistral AI 提供了按量付费的API，没有最低消费，没有订阅费，用多少付多少。

这不再是“AI公司发了个新模型”的新闻，而是一次真正的行业平权：高质量语音转文字，终于不再只是大厂的专利。普通人、小团队、隐私敏感行业，现在都能用上又快又便宜、还不用交出数据的工具。