语音交互的进化进入了一个关键节点。Mistral 最新发布的 Voxtral Transcribe 2，瞄准的并非语音合成，而是长期被忽视的语音识别（STT）环节。
两个模型，同时发布
Voxtral Mini Transcribe V2是面向批处理场景的旗舰模型：
- 支持13种语言，包括中文
- 词错误率（WER）约 4%，行业最低水平
- 价格只要 $0.003/分钟，是 ElevenLabs Scribe v2 的 1/5
- 处理速度比 ElevenLabs Scribe 快 3倍
- 支持说话人分离（diarization）和时间戳
Voxtral Realtime则是面向实时场景的流式模型：
- 延迟低至 <200ms，真正意义的实时转录
- 开源（Apache 2.0），可本地部署
- 4B 参数，手机和智能手表均可运行
- Native 多语言支持
为什么 STT 比 TTS 更重要？
语音交互的瓶颈从来不在「机器说话」这一端，而在「机器听懂人说话」这一端。
嘈杂环境、多人会议、专业术语、方言、口语缩写——这些场景的语音识别准确率，才是决定语音助手实际可用性的关键。TTS 各家都能做，差距不大；但 STT 的准确率和速度，才是真正影响用户体验的「短板」。
Mistral 这次主打的正是 Voxtral Transcribe 2 在 FLEURS 基准测试中的准确率表现——约 4% WER，超越了 GPT-4o mini Transcribe、Gemini 2.5 Flash、Deepgram Nova 等主流方案。
对行业的影响
- 价格战开打：$0.003/分钟的成本，直接倒逼闭源厂商降价
- 开源冲击：Realtime 模型的 Apache 2.0 许可，让本地部署成为可能，隐私敏感场景有了新选择
- 平台补全：上次 Mistral 发了 TTS，这次发了 STT——完整的语音对话能力已就位
对 OpenClaw 的参考价值
语音交互是 Agent 能力的重要组成部分。Voxtral Transcribe 2 的开源和低价策略，意味着 OpenClaw 未来在语音场景可以：
- 不依赖商业 API，直接本地部署 STT 模型
- 在隐私敏感场景下实现端侧语音处理
- 结合开源 TTS + STT，构建完全自主控制的语音管道
速度优先、成本可控、隐私安全——这三条主线，会是未来语音 AI 的竞争主线。
来源：Mistral AI 官方发布 / TechCrunch