转述 Mistral Voxtral 3:说话人分离 cpWER 18.4%,会议转写多一个选项
Mistral 10 月 20 日发布 Voxtral 3,自测说话人分离 cpWER 为 18.4%,低于同表 Microsoft 与 ElevenLabs,可用于会议纪要等多人语音场景。
Mistral 于 10 月 20 日发布 Voxtral 3 系列语音产品。工业软件厂商 Omnimes 在 X 上转述了其中的说话人分离(diarization)测评结果:按 Mistral 自己的对比,Voxtral 在判断“谁在什么时候说了什么”这项任务上的 cpWER 为 18.4%,低于同一张表中的 Microsoft(20.3%)和 ElevenLabs(23.0%)。cpWER 把转写错误和说话人归属错误合并计算,数值越低越好。
据 Mistral 官方发布页,Voxtral 3 打包了转写模型、语音合成模型以及基于 LiveKit 的语音智能体 SDK。旗舰转写模型 Voxtral Small Transcribe 3 支持 50 多种语言、说话人分离、关键词偏置(context biasing)和说话结束检测,目前以公开预览形式通过 API 提供,也支持自部署。官方模型文档列出的 Small 版转写价格为每分钟 0.004 美元,官方发布页称 Mini 版为每分钟 0.0035 美元。
放到办公协作场景,说话人分离的质量直接决定会议纪要能否准确标出“谁提了什么、谁领了任务”。在多人会议、电话会和跨语言会议里,归属错误往往比个别字词错误更影响纪要的可用性,后续自动生成待办、同步到知识库时也会被放大。
上述成绩全部来自厂商自测,测试集为 AMI、Switchboard、AISHELL-4 等公开语料,尚无第三方复现。准备接入的团队可以先用自有会议录音做小样本对比,重点看口音、多人插话和远场收音条件下的表现,再决定是否替换现有会议记录工具或接入内部知识库流程。