Voxtral Small

Voxtral Small — модель Mistral для понимания речи из Voxtral, первой аудиолинейки компании, которая вышла летом 2025 года. У модели 24 миллиарда параметров. В основе лежит текстовая модель Mistral Small 3.1, которую научили понимать звук: Voxtral Small принимает аудиозапись и текст, а отвечает текстом. Вместе с ней вышла меньшая Voxtral Mini для запуска на устройствах, а Small компания рассчитывала на рабочие сервисы с большой нагрузкой.

Классические системы распознавания речи вроде Whisper только переводят звук в текст. Voxtral Small умеет больше: она отвечает на вопросы по записи длиной до 40 минут и пересказывает её кратко, так что отдельная языковая модель для этого не нужна. Голосовую команду она может превратить в вызов внешней функции, например в запрос к сервису компании. За один раз модель расшифровывает до 30 минут аудио и сама определяет язык. Лучше всего она знает английский, испанский, французский, португальский, хинди, немецкий, нидерландский и итальянский. Работу с текстом, по словам компании, модель унаследовала от Mistral Small 3.1.

Mistral заявляет, что в расшифровке речи Voxtral Small по её замерам обходит Whisper large-v3, GPT-4o mini Transcribe и Gemini 2.5 Flash, а в переводе речи лучше всех моделей из сравнения. В понимании аудио она, по данным лаборатории, на уровне GPT-4o mini. Её выбирают, чтобы расшифровывать встречи и звонки, переводить речь, строить голосовых помощников и задавать вопросы по длинным аудиозаписям.

Веса открыты под лицензией Apache 2.0: модель можно бесплатно встраивать в коммерческие продукты, дообучать и разворачивать без Mistral. По карточке модели, для запуска нужно около 55 ГБ видеопамяти. Это уровень серверной видеокарты, обычному домашнему компьютеру такое не под силу. Сама лаборатория делает оговорки: системный запрос (общая инструкция модели перед началом диалога) пока не поддерживается, а вызов функций работает в экспериментальном режиме. Разделение речи по говорящим, распознавание эмоций и временные метки для отдельных слов Mistral при запуске только обещала. Для чистой расшифровки речи в феврале 2026 года компания выпустила отдельные модели Voxtral Transcribe 2.

источники:Анонс Voxtral в блоге Mistral ↗Карточка модели на Hugging Face ↗