💡
原文英文，约500词，阅读约需2分钟。
📝
内容提要
Mistral发布了Voxtral，一个大型语言模型，旨在提升语音识别能力，超越简单转录。Voxtral Mini和Small两个版本的模型权重已开放。该模型结合了传统ASR系统的高效转录与LLM的语义理解，支持多种语言，具有32K的上下文，能处理长达30分钟的音频，适用于企业客户的多种高级功能。
🎯
关键要点
- Mistral发布了Voxtral，一个大型语言模型，旨在提升语音识别能力，超越简单转录。
- Voxtral Mini和Small两个版本的模型权重已开放，采用Apache 2.0许可证。
- Voxtral结合了传统ASR系统的高效转录与LLM的语义理解，支持多种语言。
- 该模型具有32K的上下文，能处理长达30分钟的音频，适用于企业客户的多种高级功能。
- Voxtral可通过Mistral的API访问，并提供优化的转录版本以降低推理成本和延迟。
- Voxtral在转录和理解音频方面表现出色，支持问答和摘要等任务。
- Voxtral在成本和性能上优于OpenAI Whisper、ElevenLabs Scribe和Gemini 2.5 Flash。
- Voxtral在音频理解方面能够直接回答语音问题，采用独特的方法。
- Voxtral Small在多个任务中与GPT-4o-mini和Gemini 2.5 Flash竞争，并在语音翻译中表现更佳。
- Mistral还支持企业客户的额外功能，包括私有部署、领域特定微调和高级用例。
➡️
