在线教程丨Mistral AI首个开源音频模型Voxtral，24B与3B版本兼顾多场景语音深度理解

语音作为「人类最自然的交互方式」，正逐渐成为人机交互的核心场景，随着语音互动的普及，音频模型也在针对需求不断创新优化。然而快速发展的同时伴随着市场供给的两极分化：低成本开源模型较容易出现错误率高、语义理解弱等问题，而高成本闭源模型通常价格高昂、存在部署局限，两者均难以满足多元需求。

基于此，Mistral AI 近期正式发布了首个先进音频模型 Voxtral，以开源高性能与低成本精准聚焦语音智能市场痛点。该模型提供 24B 和 3B 两种版本，前者适用于企业级规模化部署，后者则降低了个人轻量部署的准入门槛。在功能上，基于卓越的语音转录和深度理解能力，Voxtral 支持多语言、长文本上下文处理、内置问答和总结功能，其性能在多个 Benchmark 中超越现有开源音频模型。同时成本更低，广泛应用在各种场景，助力语音交互的普及。

Voxtral 正以技术普惠性推动语音交互模型实现从「可用」向「好用」的质变跃迁，不仅满足市场对高效能音频模型的需求，更拓宽了语音交互应用场景，真正构建起自然对话的智能生态基石。

笔者分别使用《F1：狂飙飞车》领衔主演布拉德·皮特的采访片段、泡泡玛特创始人王宁的央视采访片段进行了测试，生成结果都很理想，验证了 Voxtral 的强大功能。

Audio Transcription 示例

Audio Understanding 示例

1. 进入 hyper.ai 首页后，选择「教程」页面，并选择「Voxtral-Mini-3B-2507 语音理解模型 Demo」，点击「在线运行此教程」。

2.页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。

3.选择「NVIDIA GeForce RTX 4090」以及「PyTorch」镜像，按照需求选择「按量付费」或「包日/周/月」，点击「继续执行」。新用户使用下方邀请链接注册，可获得 4 小时 RTX 4090 + 5 小时 CPU 的免费时长！

HyperAI超神经专属邀请链接（直接复制到浏览器打开）：

https://openbayes.com/console/signup?r=Ada0322_NR0n

4.等待分配资源，首次克隆需等待 3 分钟左右的时间。当状态变为「运行中」后，点击「API 地址」旁边的跳转箭头，即可跳转至 Demo 页面。请注意，用户需在实名认证后才能使用 API 地址访问功能

笔者分别使用《F1：狂飙飞车》领衔主演布拉德·皮特的采访片段、泡泡玛特创始人王宁的央视采访片段进行了测试，生成结果都很理想，验证了 Voxtral 的强大功能。

选择「Audio Transcription」测试功能，上传一段音频，选择语言后点击「Transcribe Audio」，稍等后即可生成结果。

选择「Audio Understanding」测试功能，上传一段音频，输入问题后点击「Submit Query」，稍等后即可生成结果。

此外，Voxtral 提供的 24B 版本适合企业级规模化部署，目前也已上线 HyperAI超神经官网（hyper.ai）的「教程」板块，用户可根据需要进行体验！