Mistral AI 推出 Voxtral：開源語音模型，挑戰 AI 語音市場的價格與性能

2025/07/21 更新2025/07/21 發佈閱讀 5 分鐘

法國 AI 新創 Mistral AI 繼參與大型語言模型領域後，於 2025 年 7 月 15 日也正式發布其首個開源語音模型家族—— Voxtral。Voxtral 不僅宣稱在性能上超越市場領導者，更以極具競爭力的成本效益，為企業與開發者帶來了前所未有的自由度。讓TN科技筆記帶你一探究竟。

Voxtral

Voxtral：不止是語音轉文字

Voxtral 的定位不僅僅是一個簡單的語音轉文字（ASR）工具。它是一個完整的「語音理解模型家族」，它不只能將語音內容轉換成文字，更能進一步理解文字背後的語義，並執行相關任務。

兩種模型，多元應用

為滿足不同規模與部署環境的需求，Voxtral 提供了兩個核心模型變體，且均以 Apache 2.0 許可證開源：

Voxtral Small (24B 參數)：專為生產級應用設計，適用於處理大規模數據或需要極致性能的場景。
Voxtral Mini (3B 參數)：針對本地與邊緣設備部署，讓資源受限的環境也能享受到高品質的語音 AI 服務。此外，Mistral AI 還提供了一個專門優化的 Voxtral Mini Transcribe API，其重點在於提供成本效益極高的語音轉錄服務，起價僅為每分鐘 0.001 美元。

挑戰巨頭：性能與價格的雙重優勢

Voxtral 最引人注目的地方在於其宣稱的卓越性能與低廉成本。根據官方資料，Voxtral 不僅在 LibriSpeech、Mozilla Common Voice 和 FLEURS 等基準測試中，全面超越了 OpenAI 的 Whisper large-v3、GPT-4o mini Transcribe 以及 Google 的 Gemini 2.5 Flash，在英文和多種歐洲語言中都取得了最先進的成果。更重要的是，Voxtral Mini Transcribe API 宣稱能以不到 Whisper 一半的價格，提供更高的轉錄性能。這種「更高性能、更低成本」的組合，將對現有的語音服務市場構成巨大壓力。

Voxtral

Voxtral：核心亮點技術

超長上下文理解能力

現代 AI 應用越來越需要處理長時間的語音內容，例如會議錄音、播客節目等。Voxtral 在這方面表現出色，它擁有 32k token 的上下文長度，能夠處理最長達 30 分鐘的語音轉錄，或 40 分鐘的語音理解任務。讓模型能夠更好理解長篇語音中的語義連貫性，避免了傳統短語音模型拼接後可能出現的語義割裂問題。

原生多語言支援與內建智慧

Voxtral 具備自動語言檢測能力，並支援包括英語、西班牙語、法語、葡萄牙語、印地語、德語、荷蘭語和義大利語在內的多種全球常用語言。更令人興奮的是，Voxtral 還內建了問答（Q&A）和摘要功能，用戶可以直接針對音頻內容提問或生成結構化摘要，無需額外串聯獨立的語言模型，大大簡化了開發流程。甚至，它還支援「功能調用」（Function calling），能夠通過語音命令觸發後端 API 調用，為語音控制應用開啟了更多可能性。

開放性與企業級部署

作為 Mistral AI 的產品，Voxtral 延續了其開源策略。開發者可以自由在 Hugging Face 上下載並運行模型。同時，Mistral AI 也提供了其 Le Chat 聊天機器人和 API 接口，方便用戶進行試用和整合。對於企業用戶，Mistral AI 還提供私人部署支持和行業特定微調服務，確保 Voxtral 能夠完美適應各種複雜的商業需求，同時也能夠保有資料隱私的自主權。

TN科技筆記的觀點

開源策略的強大破壞力: 在語音 AI 領域，高品質模型長期以來被專有技術壟斷。Mistral AI 的開源策略，配合其聲稱的領先性能和極低成本，將極大地降低企業和開發者應用語音 AI 的門檻。
「端到端」語音理解能力: Voxtral 不僅是轉文字，更包含了語義理解、問答、摘要甚至功能調用，這是一個重要的趨勢。它意味著開發者不再需要費力地將 ASR 輸出與一個獨立的 LLM 結合，能夠更直接地從語音輸入中提取價值，大大簡化了複雜語音應用開發的流程。
性能與成本的黃金交叉: 如果 Voxtral 確實能在實際應用中維持其在基準測試中的領先性能，同時提供比現有巨頭更低的成本，它將成為市場上最具吸引力的語音 AI 解決方案之一。