Mistral AI представила второе поколение моделей распознавания речи Voxtral Transcribe 2 и снизила стоимость по сравнению с конкурентами. Цены начинаются от $0,003 за минуту аудио, при этом, по данным компании, по точности новинки опережают GPT-4o mini Transcribe, Gemini 2.5 Flash и Deepgram Nova.
Линейка включает два варианта: Voxtral Mini Transcribe V2 и Voxtral Realtime. Voxtral Mini Transcribe V2 рассчитана на обработку длинных аудиозаписей, а Voxtral Realtime предназначена для сценариев с задержкой менее 200 миллисекунд.
Voxtral Realtime стоит вдвое дороже базовой версии и использует собственную потоковую архитектуру, которая расшифровывает речь по мере поступления аудио. Эта модель нацелена на голосовых ассистентов, живые субтитры и аналитику звонков в контакт-центрах.
Обе модели поддерживают 13 языков, включая немецкий, английский и китайский. В числе новых возможностей — определение спикеров, отметки времени для отдельных слов и поддержка записей продолжительностью до трёх часов.
Voxtral Realtime доступна как открытая модель с весами по лицензии Apache 2.0 на платформе Hugging Face и через API. Voxtral Mini Transcribe V2 можно использовать через Le Chat, API Mistral и специальный playground.
Первая версия Voxtral вышла в июле 2025 года, новая линейка продолжает это направление развития сервиса распознавания речи Mistral.
Источник: The Decoder.
