Mistral Voxtral Mini Transcribe Realtime
Voxtral Mini Transcribe Realtime は、Mistral AI のストリーミング音声認識モデルです。Mistral のモデルドキュメントには、API ID が voxtral-mini-transcribe-realtime-2602、公開日が 2026 年 2 月 4 日と記載され、リアルタイム文字起こし専用に事前学習・最適化された効率的な音声入力モデルと説明されています。バッチ用モデルの Voxtral Mini Transcribe V2 とともに Voxtral Transcribe 2 として公開されました。2026-10-29 時点で、モデルページに廃止の表示はありません。
モデル仕様
| 項目 | Voxtral Mini Transcribe Realtime |
|---|---|
| API ID | voxtral-mini-transcribe-realtime-2602 |
| 公開日 | 2026 年 2 月 4 日 |
| オープンウェイト | Hugging Face の Voxtral-Mini-4B-Realtime-2602 |
| 規模 | 約 4B パラメータ:言語モデル約 3.4B と因果的音声エンコーダ 970M、BF16 |
| 対応言語 | 13 言語:英語、中国語、ヒンディー語、スペイン語、アラビア語、フランス語、ポルトガル語、ロシア語、ドイツ語、日本語、韓国語、イタリア語、オランダ語 |
| ライセンス | Apache 2.0 |
| API 料金 | $0.006/分 |
| ハードウェア | Hugging Face のカードによると、16 GB 以上のメモリを持つ GPU 1 枚 |
主な機能
- 設定可能なレイテンシ:Hugging Face のカードは、文字起こしの遅延を 240 ms から 2.4 秒の範囲で設定でき、精度とレイテンシのバランスが最良として 480 ms を推奨しています。Mistral の発表は、遅延を 200 ms 未満まで設定できるとし、精度の数値は 480 ms と 2.4 秒の場合のみ示しています。
- Mistral が示す精度のトレードオフ:480 ms では FLEURS の平均単語誤り率が 8.72% で、オフラインの Voxtral Mini Transcribe 2.0 は 5.90% です。長尺の英語では 5.05% 対 4.08% です。これは Mistral 自身の数値です。
- オープンでエッジに適合:Apache 2.0 ライセンスは研究と商用利用を認めており、Mistral はエッジデバイスへのデプロイが可能と説明しています。
- ストリーミング実行環境:vLLM のリアルタイムストリーミングエンドポイントでの実行が推奨で、カードには Transformers 5.2.0 以降も記載されています。
活用シーン
- 会議、配信、イベントのライブ字幕。
- ユーザーが話している間に文字起こしが必要な音声アシスタント。
- 音声を自社インフラの外に出せない自前ホストの文字起こし。
留意点として、ライブ文字起こし専用です。最長 3 時間のバッチ処理には、Mistral は $0.003/分の Voxtral Mini Transcribe V2 を案内しています。Voxtral Mini Transcribe 2 を参照してください。
はじめに
- API では、モデルドキュメントの説明に従い、Mistral の音声エンドポイントから
voxtral-mini-transcribe-realtime-2602を呼び出します。 - 自前ホストでは、Hugging Face のカードから重みをダウンロードし、温度 0.0 で vLLM から提供します。
- まず 480 ms の遅延で始め、必要なレイテンシに合わせて調整します。
- 公開前に、自分の音声と言語で試します。
よくある質問
Voxtral Mini Transcribe Realtime とは何ですか?
2026 年 2 月 4 日に公開された、Mistral のオープンウェイトのストリーミング音声認識モデルです。
料金はいくらですか?
モデルドキュメントによると、Mistral の API では $0.006/分です。Apache 2.0 の重みを自前ホストする場合、分単位の料金はかかりません。
どの言語に対応しますか?
英語、中国語、ヒンディー語、スペイン語、アラビア語、フランス語、ポルトガル語、ロシア語、ドイツ語、日本語、韓国語、イタリア語、オランダ語を含む 13 言語です。
レイテンシはどのくらい低いですか?
Hugging Face のカードは 240 ms から 2.4 秒の設定可能な遅延を示し、Mistral の発表は 200 ms 未満まで下げられるとしています。
代替案
- Voxtral Mini Transcribe 2:Mistral のバッチ文字起こしモデル。
- Voxtral TTS:Mistral の音声合成モデル。
- Whisper large-v3:OpenAI のオープンな音声認識モデル。
- Deepgram Nova-2:ホスト型の音声認識モデル。
まとめ
Voxtral Mini Transcribe Realtime は、オープンウェイトと分かりやすいレイテンシ調整が欲しいときに実用的なライブ文字起こしの選択肢です。最新の API の詳細は Mistral のモデルドキュメントを読み、他はモデルカテゴリをご覧ください。
出典
- ウェブサイトhttps://docs.mistral.ai/models
- ソーシャルメディアhttps://x.com/MistralAI
コメント
まだコメントがありません。最初のコメントを投稿してください!
