Voxtral Transcribe 2：Mistral 的开源实时语音转写，亚 200ms 延迟

可达性说明：本文写作环境中 Mistral 官方博客（mistral.ai）与文档站（docs.mistral.ai）均无法连接（连接超时），因此下列数据来自 Koala 项目库对官方发布的转述，未能在官方页面二次逐条核对。引用时请以 Mistral 官方公告原文为准。

语音转写（ASR）这条赛道，在 Whisper 之后又热闹起来。Mistral 推出的 Voxtral Transcribe 2 系列，主打两点：开源权重 + 亚秒级实时延迟。本文基于项目库转述的官方信息做分析。

一、两个版本：Mini 与 Realtime

据项目库转述，本系列分两个版本，定位不同：

• Mini（批量处理）：面向离线、高吞吐的转写批量任务；
• Realtime（实时转写）：面向低延迟的流式场景。

一个关键的商业区分（项目库特别提醒）：本次开源只针对 Realtime 版本，Mini 版仍只提供 API 服务。也就是说，想自部署开源权重，拿到的是实时那一路；批量版仍要走 Mistral 的云 API。

二、关键数据（项目库转述口径）

据项目库引述官方发布：

• Realtime 延迟：做到 200 毫秒以内；
• 多语言错误率：在意大利语、西班牙语等语种上，词错误率（WER）已压到 3% 以下；
• 中文表现相对较弱：项目库明确指出中文不如上述语种；
• 价格：比 ElevenLabs 的 Scribe v2 便宜约 五倍；
• 许可：Realtime 版基于 Apache 2.0 开源。

需要强调：以上均为项目库转述，未在官方页核实。“200ms 延迟”通常指流式首字/端到端延迟的特定测量条件，“3% 以下 WER”对应特定测试集与语种，“便宜五倍”是两家定价的对比——这些数字的前提都需要看官方原文才站得住。

三、口径偏差与局限

1. 开源不彻底：只有 Realtime 开源，批量 Mini 闭源走 API——“开源”标签不能覆盖整个系列；
2. 中文偏弱：项目库自己点出中文表现相对弱，对中文用户是重要限制；
3. 延迟数字依赖测量：200ms 是在何种硬件、多长音频、网络条件下测的，未核实；
4. 对比对象单一：“比 ElevenLabs Scribe v2 便宜五倍”是与一个特定竞品比，不是绝对性价比；
5. 官方页不可达：如开头所述，本文未能直接核对 Mistral 官方页面，所有数字应视为待复核的转述。

四、适用 / 不适用

适合：

• 需要本地/私有化部署、对隐私敏感的实时语音场景（会议字幕、客服实时转写）；
• 在意开源权重、不想被单一云厂商锁定的团队；
• 以西/意等欧洲语言为主、对延迟敏感的应用。

不适用：

• 中文为主、对转写准确率要求高的场景（官方转述中中文偏弱）；
• 需要批量离线转写大文件、又想自部署开源版的人——Mini 不开源；
• 想要经过独立第三方基准验证的数字、不能只看厂商自述的团队。

五、它意味着什么

Voxtral Transcribe 2 的信号是：开源 ASR 正在从”离线转录”卷向”实时流式”。开源权重 + 亚秒延迟的组合，对隐私敏感的本地实时场景确实有吸引力。但它开源不彻底（只开 Realtime）、中文偏弱，且本文无法直接核对官方数字——所以对它的判断应保持保留，等能访问官方原文、或有独立基准复测后再下结论。

参考来源

• Mistral 官方：Voxtral Transcribe 2（本环境不可达）
• Koala 项目库条目：Voxtral Transcribe 2