Mistral 开源语音模型 Voxtral：超越 Whisper，支持语音直调函数

Voxtral 是 Mistral AI 开源的语音理解模型系列，包含 24B 和 3B 两个版本，全部采用宽松的 Apache 2.0 许可证。它不是单纯的语音转文字工具，而是把语音识别和语义理解做在了一起，让你能直接对着长音频提问、生成摘要，甚至靠说话直接触发系统操作。

它能做什么

以往做语音应用，基本都要先用 Whisper 这类工具把语音转成文字，再丢给大语言模型去理解。链路一长，延迟高不说，转录里丢掉的情绪和上下文也很难补救。Voxtral 把这两步并在了一起。

它的上下文长度达到 32k token，单次可以转录最长 30 分钟的音频，或者处理 40 分钟的音频内容理解。你可以直接丢进去半小时的会议录音，让它整理要点或回答某个具体细节。

最实用的是语音直接调用函数。用户只要开口说话，模型就能根据语音意图直接触发后端的 API 调用或系统指令，中间完全不需要先把语音转成文本再做正则解析。

模型原生支持英语、法语、西班牙语、德语、意大利语、葡萄牙语、荷兰语和印地语等多语言自动识别。因为底层底座是 Mistral Small 3.1，它还保留了完整的文本处理能力，可以直接当成通用语言模型来用。

规格与上手门槛

这次开源的有两个尺寸。大号的 Voxtral 参数量为 24B，适合跑在企业级的生产环境；小号的 Voxtral Mini 只有 3B，专门给本地设备和边缘计算场景准备。

转录表现上，Voxtral 全面击败了现在的开源主力 Whisper large-v3，在多项测试里也超过了 GPT-4o mini Transcribe 和 Gemini 2.5 Flash。官方基准显示，Voxtral Small 的表现打平了 ElevenLabs Scribe，但 API 成本还不到后者的一半。

想自己部署的话，24B 和 3B 的权重都已经在 Hugging Face 上放开下载，商用完全免费。如果不想自己搭显卡，官方 API 也已上线，包含一个专门优化过转录速度的 Voxtral Mini Transcribe，调用起步价只要每分钟 0.001 美元。Mistral 网页端和 App 里的 Le Chat 语音模式也会在未来几周对所有用户开放。

为什么重要

如果你的业务一直被 Whisper 的错词率困扰，或者想做语音 Agent 但觉得闭源商业 API 太贵、数据出境有合规风险，Voxtral 是目前最值得立刻拿来替换的开源方案。它把多阶段的语音流水线压成了一个端到端模型，成本和延迟都有明显优势。

当然它现在也有不足。说话人分离、情绪识别、年龄标记以及词级时间戳这类更精细的音频特征，还需要等官方后续更新。但单就直接从语音执行函数和长音频理解来看，开源语音赛道终于有了一个能打平商业顶级闭源方案的底座。