主要观点：Mistral 发布了旨在语音识别应用的 Voxtral 大语言模型，发布了两种变体 Voxtral Mini (3B)和 Voxtral Small (24B)的权重并采用 Apache 2.0 许可证，该模型旨在整合更先进的基于 LLM 的能力并超越简单转录，能在本地部署或通过 API 访问，有 32K 令牌上下文可处理长音频，基于 LLM 可进行问答和总结等任务，在转录和音频理解方面表现出色，优于其他解决方案，还为企业客户提供额外支持。
关键信息：

• 发布模型：Voxtral 及两种变体，权重开源。
• 部署方式：可本地部署或通过 API 访问，有优化转录的自定义版本。
• 上下文长度：32K 令牌，可处理长音频。
• 任务能力：可进行问答、总结，执行后端功能等。
• 语言优势：多语言，自动语言检测，支持欧洲语言。
• 性能对比：在转录和翻译等任务上优于其他解决方案。
• 企业支持：为企业提供私有部署、特定领域微调等功能。
  重要细节：
• Voxtral 旨在填补经典 ASR 系统和先进 LLM 模型之间的差距。
• 不同模型如 NVIDIA NeMo Canary-Qwen-2.5B 和 IBM 的 Granite Speech 有不同模式。
• Mistral 自己的基准测试显示 Voxtral Small 在某些任务上与 GPT-4o-mini 和 Gemini 2.5 Flash 竞争且在语音翻译上表现更好。
• Voxtral 保留了基础模型的纯文本能力可作为纯文本 LLM 使用。