Французская компания Mistral выпустила Voxtral Transcribe 2, семейство из двух моделей распознавания речи следующего поколения с впечатляющим качеством транскрибации и ультранизкой задержкой. Линейка представлена моделями Voxtral Mini Transcribe V2, предназначенной для пакетной обработки, а также Voxtral Realtime, которую используют непосредственно для «живой» транскрибации. Последняя модель распространяется с открытыми весами под лицензией Apache 2.0, что стало приятным бонусом для разработчиков, которым важен аспект приватности. Параллельно с релизом Mistral запустила аудио-песочницу в Mistral Studio, в которой можно мгновенно протестировать транскрибацию с диаризацией (разделением дикторов) и временными метками.
Архитектура без компромиссов
Voxtral Realtime спроектирована специально для приложений, в работе которых критически важен показатель задержки. Realtime использует новую потоковую архитектуру, которая транскрибирует звук по мере его поступления. Модель выдает результаты с настраиваемой задержкой менее 200 миллисекунд; многие эксперты уже сегодня полагают, что этот продукт Mistral сегодня открывает новый класс голосовых приложений. При задержке 2.4 секунды, оптимально подходящей для создания субтитров, Realtime сравнивается с новейшей пакетной моделью Voxtral Mini Transcribe V2. При 480 миллисекундах погрешность остается в пределах 1-2 %, что позволяет создавать голосовых агентов с точностью, близкой к офлайн-обработке.
Модель является мультиязычной. Особенно сильную производительность транскрибации она показывает на 13 языках, среди которых английский, китайский, испанский, арабский, французский, русский, немецкий и другие. Использование в ИИ-студии Mistral будет простым и понятным для любого юзера.
Здесь доступны как обработка речи в текст, так и наоборот:
Размер составляет 4 млрд. параметров; веса модели доступны под лицензией Apache 2.0 на Hugging Face Hub в виде загрузки на 8.87 гигабайт.
Модель корректно транскрибирует быструю речь с техническим жаргоном, при этом текст выдается буквально через мгновение после произнесения каждого звука. Сообщение «No microphone found» при первом запуске не должно смущать – после нажатия «Record» браузер запросит разрешение и демо заработает.
Пакетная обработка без разорения
Voxtral Mini Transcribe V2 демонстрирует значительные улучшения в качестве транскрибации и диаризации по языкам и доменам. Модель превосходит GPT-4o mini Transcribe, Gemini 2.5 Flash, Assembly Universal и Deepgram Nova по точности, обрабатывая аудио примерно в три раза быстрее, чем ElevenLabs Scribe v2. При этом качество конечного результата сопоставимо с данными моделями, а цена – в несколько раз ниже.
Тестировать Voxtral Transcribe 2 можно напрямую в Mistral Studio. Интерфейс позволяет загружать до 10 аудиофайлов, переключать диаризацию, выбирать детализацию временных меток и добавлять термины контекстного смещения для специфической лексики домена. Поддерживаются форматы .mp3, .wav, .m4a, .flac, .ogg размером до 1 гигабайта каждый. Отметим, что на многофункциональном портале Креатор Проджект также доступна транскрибация аудиофайлов в различных форматах.
Функция диаризации в Voxtral Transcribe V2 четко определяет, кто что сказал и когда; эта возможность будет критически важна в тех случаях, когда пользователю нужно обработать многоголосые записи совещаний или же звонки в контакт-центре. Контекстное смещение справляется с именами собственными и технической терминологией, на которых спотыкаются универсальные сервисы транскрибации.
Применение модели
Voxtral открывает возможности для обработки голосовых записей в самых разнообразных приложениях и областях. К примеру, модель хорошо подойдет для интеллектуального анализа совещаний, записей лекций и пр.
Голосовые агенты и виртуальные ассистенты получают возможность работать с задержкой транскрибации менее 200 миллисекунд. Подключение Voxtral Realtime к LLM и TTS-конвейеру позволило сформировать отзывчивые голосовые интерфейсы, которые ощущаются естественными. Автоматизация контакт-центров позволяет транскрибировать звонки в режиме реального времени, благодаря чему AI-системы теперь могут анализировать настроение, предлагать ответы и заполнять поля CRM. И все это делается в тот момент, пока разговоры еще идут. Диаризация обеспечивает четкое разделение между агентами и клиентами.
Главное в Voxtral Transcribe 2, по нашему мнению, не отдельные метрики, а изменение планки ожиданий: транскрибация перестает быть офлайн-инструментом и становится частью живых AI-систем. Чем дешевле и быстрее работает распознавание речи, тем быстрее голосовые интерфейсы превращаются из эксперимента в стандартный способ взаимодействия с софтом.
