Mistral выпустила дешёвую модель для транскрибации речи, которая работает на смартфоне
Парижский стартап Mistral AI представил две модели распознавания речи Voxtral Transcribe 2, которые работают локально на устройствах пользователя и обрабатывают аудио в десять раз быстрее конкурентов при пятикратно меньшей стоимости.
- Модели обрабатывают аудио на устройстве без передачи данных на сервер, что критично для медицины, финансов и госсектора
- Стоимость транскрибации через API составляет $0,003 за минуту для пакетной обработки и $0,006 для реального времени
- Задержка в режиме реального времени настраивается до 200 миллисекунд против двух секунд у Google
Две модели для разных задач
Mistral разделила технологию на два продукта. Voxtral Mini Transcribe V2 обрабатывает записанные файлы пакетами и поддерживает 13 языков — английский, мандаринский китайский, японский, арабский, хинди и несколько европейских. Компания заявляет о минимальном проценте ошибок распознавания слов среди всех сервисов транскрибации на рынке. Стоимость через API — $0,003 за минуту, что в пять раз дешевле крупных конкурентов.
Voxtral Realtime работает с живым звуком при задержке от 200 миллисекунд. Эта модель распространяется под открытой лицензией Apache 2.0 — разработчики скачивают веса с Hugging Face, модифицируют их и разворачивают без лицензионных платежей Mistral. Для тех, кто предпочитает не управлять собственной инфраструктурой, доступ через API стоит $0,006 за минуту.
«Сообщество открытого кода очень изобретательно, когда речь идёт о приложениях. Нам интересно посмотреть, что они сделают», — сказал Пьер Сток, вице-президент Mistral по научным операциям, в интервью VentureBeat.
Обработка на устройстве решает проблему конфиденциальности
Решение создать модели настолько компактными, чтобы они работали локально, отражает расчёт на то, куда движется корпоративный рынок. По мере того как компании интегрируют ИИ в чувствительные рабочие процессы — транскрибацию медицинских консультаций, звонков финансовых консультантов, юридических показаний — вопрос о маршруте данных становится критическим.
Сток описал проблему существующих приложений для ведения заметок с аудиофункциями: они улавливают посторонний шум неконтролируемым образом. Система может записать текст песни на фоне, захватить чужой разговор или галлюцинировать из-за фонового шума. Mistral вложила значительные ресурсы в курирование обучающих данных и архитектуру модели для решения этих проблем.
Компания добавила корпоративные функции, которые американские конкуренты внедряли медленнее. Контекстное смещение позволяет клиентам загрузить список специализированной терминологии — медицинского жаргона, фирменных названий продуктов, отраслевых аббревиатур — и модель автоматически отдаст приоритет этим терминам при транскрибации неоднозначного аудио. В отличие от дообучения, требующего переобучения модели, контекстное смещение работает через простой параметр API.
«Вам нужен только текстовый список. И тогда модель автоматически сместит транскрибацию в сторону этих аббревиатур или странных слов. Это работает без примеров, не требует переобучения, не требует сложных манипуляций», — объяснил Сток.
Модель размером всего 4 миллиарда параметров достаточно мала, чтобы работать на ноутбуке, телефоне или умных часах. Это позволяет обрабатывать голос и его транскрипцию там, где находится пользователь, не передавая данные на удалённые серверы — особенность, которая может оказаться решающей для компаний в регулируемых отраслях вроде здравоохранения, финансов и оборонной промышленности.
От заводских цехов до колл-центров
Сток описал два сценария применения технологии. Первый касается промышленного аудита: техники обходят производственное предприятие, осматривают тяжёлое оборудование и выкрикивают наблюдения сквозь шум заводских механизмов. Задача — справиться с «технической лексикой, которую никто не способен правильно написать, кроме этих людей», и получить на выходе заметки с временными метками и идентификацией говорящих, сохраняя высокую устойчивость к шуму.
Второй сценарий нацелен на операции клиентской поддержки. Когда человек обращается в службу поддержки, Voxtral Realtime транскрибирует разговор в реальном времени, передавая текст в бэкенд-системы, которые находят соответствующие записи о клиенте до того, как звонящий закончит объяснять проблему.
«Статус появится у оператора на экране до того, как клиент закончит предложение и перестанет жаловаться. Это значит, что вы можете сразу взаимодействовать и сказать: «Хорошо, я вижу статус. Позвольте мне исправить адрес и отправить посылку обратно»», — объяснил Сток. Он оценил, что это может сократить типичные взаимодействия службы поддержки с нескольких обменов репликами до двух: клиент объясняет проблему, и агент немедленно её решает.
Перевод в реальном времени может появиться к концу 2026 года
Несмотря на фокус на транскрибацию, Сток прояснил, что Mistral рассматривает эти модели как фундаментальную технологию для более амбициозной цели — естественного перевода речи в речь в реальном времени.
«Возможно, конечное целевое приложение, под которое модель закладывает основу, — это живой перевод. Я говорю по-французски, вы говорите по-английски. Минимальная задержка критична, иначе вы не построите эмпатию. Ваше лицо окажется не в синхронизации с тем, что вы сказали секунду назад», — сказал он.
Эта цель ставит Mistral в прямую конкуренцию с Apple и Google, которые также работают над этой проблемой. Последняя модель перевода Google работает с задержкой в две секунды — в десять раз медленнее, чем заявляет Mistral для Voxtral Realtime.
Mistral позиционирует себя как приватную альтернативу для корпоративных клиентов
Mistral занимает необычную позицию на ИИ-ландшафте. Основанная в 2023 году выходцами из Meta* и Google DeepMind, компания привлекла более $2 миллиардов и сейчас оценивается примерно в $13,6 миллиарда. Тем не менее она работает с долей вычислительных ресурсов, доступных американским гипермасштабным компаниям, и построила стратегию вокруг эффективности, а не грубой силы.
«Модели, которые мы выпускаем, соответствуют корпоративному уровню, являются лидерами отрасли, эффективны — особенно с точки зрения стоимости — могут встраиваться на периферию, открывают приватность, открывают контроль, прозрачность», — сказал Сток.
Этот подход нашёл отклик особенно у европейских клиентов, опасающихся зависимости от американских технологий. В январе Министерство вооружённых сил Франции подписало рамочное соглашение, дающее военным страны доступ к ИИ-моделям Mistral — сделка, которая явно требует развёртывания на контролируемой Францией инфраструктуре.
Конфиденциальность данных остаётся одним из крупнейших барьеров для внедрения голосового ИИ в корпоративной среде. Для компаний в чувствительных отраслях — финансах, производстве, здравоохранении, страховании — отправка аудиоданных на внешние облачные серверы часто неприемлема. Информация должна оставаться либо на самом устройстве, либо внутри собственной инфраструктуры компании.
Конкуренция с OpenAI, Google и растущим Китаем
Рынок транскрибации стал крайне конкурентным. Модель Whisper от OpenAI превратилась в отраслевой стандарт, доступна через API и как загружаемые веса с открытым исходным кодом. Google, Amazon и Microsoft предлагают корпоративные речевые сервисы. Специализированные игроки вроде Assembly AI и Deepgram построили существенный бизнес, обслуживая разработчиков, которым нужна надёжная масштабируемая транскрибация.
Mistral утверждает, что новые модели превосходят всех их по точности тестов, одновременно снижая цену. «Мы лучше их в бенчмарках», — сказал Сток. Независимая проверка этих утверждений займёт время, но компания указывает на производительность в FLEURS, широко используемом многоязычном речевом бенчмарке, где модели Voxtral достигают процента ошибок распознавания слов на уровне альтернатив от OpenAI и Google или лучше.
Возможно, ещё важнее то, что генеральный директор Mistral Артур Менш предупредил, что американские ИИ-компании сталкиваются с давлением с неожиданного направления. Выступая на Всемирном экономическом форуме в Давосе в прошлом месяце, Менш отверг представление о том, что китайский ИИ отстаёт от Запада, назвав его «сказкой».
«Возможности технологий Китая с открытым исходным кодом, вероятно, напрягают генеральных директоров в США», — сказал он.
Французский стартап делает ставку на доверие
Сток предсказал, что 2026 год станет «годом ведения заметок» — моментом, когда ИИ-транскрибация станет настолько надёжной, что пользователи будут полностью ей доверять.
«Вам нужно доверять модели, и модель в принципе не может допустить ни одной ошибки, иначе вы просто потеряете доверие к продукту и перестанете его использовать. Порог супер, супер жёсткий», — сказал он.
Преодолела ли Mistral этот порог, ещё предстоит увидеть. Корпоративные клиенты станут окончательными судьями, и они склонны двигаться медленно, проверяя заявления реальностью перед тем как выделить бюджеты и рабочие процессы под новую технологию. Аудио-площадка в Mistral Studio, где разработчики могут протестировать Voxtral Transcribe 2 со своими файлами, заработала сегодня.
Но более широкий аргумент Стока заслуживает внимания. На рынке, где американские гиганты конкурируют, вбрасывая миллиарды долларов во всё более крупные модели, Mistral делает другую ставку: в эпоху ИИ меньше и локальнее может победить больше и дальше. Для руководителей, которые проводят дни, беспокоясь о суверенитете данных, соответствии регуляциям и привязке к поставщику, это предложение может оказаться убедительнее любого бенчмарка.
Гонка за доминирование в корпоративном голосовом ИИ больше не только о том, кто построит самую мощную модель. Речь о том, кто построит модель, которой вы готовы позволить слушать.
* Принадлежит компании Meta, она признана экстремистской организацией в РФ и её деятельность запрещена.
