Mistral julkaisi Voxtralin, ensimmäisen avoimin painoin jaetun malliperheensä litterointiin ja äänen ymmärtämiseen. Virallisten vertailutestien mukaan se tunnistaa puhetta hyvin monella kielellä ja osaa vastata kysymyksiin äänen sisällöstä. Mallin kahdella koolla on kuitenkin hyvin erilaiset laitevaatimukset. Alla kerrotaan, mitä julkaisu oikeasti tukee ja miksi Whisper Notes käyttää yhä pienempiä, litterointiin keskittyviä malleja tavallisilla Applen laitteilla.
Kaksi mallia
Mistral julkaisi heinäkuussa 2025 kaksi Apache-2.0-lisensoitua mallia:
Voxtral Small 24B
- •24 miljardia parametria
- •Litterointi, käännös, kysymyksiin vastaaminen äänen pohjalta ja yhteenvedot
- •32k:n kontekstiikkuna
- •Noin 55 GB GPU-muistia bf16/fp16-tarkkuudella
Voxtral Mini 3B
- •3 miljardia parametria
- •Samat ääni- ja tekstitehtävät pienemmässä mallissa
- •Virallisesti tarkoitettu paikalliseen käyttöön ja reunalaitteisiin
- •Noin 9,5 GB GPU-muistia bf16/fp16-tarkkuudella
Avoimet painot ja lisenssi
Kummankin vuoden 2025 mallin painot ovat avoimia Apache 2.0 -lisenssillä. Ne voi ladata ja ajaa itse:
- ✓ Mallin painot ovat kokonaan saatavilla
- ✓ Malleja voi ajaa omalla palvelimella tai muokata Apache 2.0 -lisenssin puitteissa
- ✓ Omalla palvelimella ei makseta Mistralin API-maksuja, mutta laskentakapasiteetti maksaa silti
- ✓ Ääni käsitellään omilla palvelimilla
Lähteet: Mistralin Voxtral-julkaisu, virallinen Voxtral Small -mallikortti ja virallinen Voxtral Mini -mallikortti.
Vertailutestit
Mistralin julkaisussa verrataan sanavirheprosentin (WER) makrokeskiarvoa englannin lyhyissä ja pitkissä testiaineistoissa sekä Mozilla Common Voicessa, FLEURSissa ja Multilingual LibriSpeechissä. Mistralin ilmoittamissa FLEURS-tuloksissa Voxtral Small voittaa Whisperin jokaisessa arvioidussa tehtävässä. Pienempi WER on parempi:
FLEURS-WER Mistralin julkaisun vertailutesteistä arvioitua API-hintaa vasten. Sekä testitulokset että hinnat voivat muuttua
FLEURS kertoo litteroinnin laadusta vain osan. Tulokset ovat valmistajan omia, joten vertaa julkaistujen vertailutestien määritelmiä ja testaa omilla kielilläsi, mikrofoneillasi ja nauhoitusolosuhteillasi ennen kuin valitset mallin.
Voxtral vs. Whisper: kumpaa kannattaa käyttää?
Vertailutestit eivät kerro kaikkea. Alla malliperheitä verrataan asioissa, joilla on merkitystä, jos mallia aikoo oikeasti ajaa itse:
| Voxtral Small | Voxtral Mini | Whisper Large v3 | Whisper Large-v3 Turbo | |
|---|---|---|---|---|
| Kielet | 8 pääkieltä | 8 pääkieltä | 100+ | 100+ |
| Avoin lähdekoodi | Kyllä | Kyllä | Kyllä | Kyllä |
| Mallin koko | 24 mrd. parametria; ~55 GB GPU-muistia bf16/fp16-tarkkuudella | 3 mrd. parametria; ~9,5 GB GPU-muistia bf16/fp16-tarkkuudella | 1,55 mrd. parametria | 809 milj. parametria (~1,6 GB:n mallitiedosto; Whisper Notesissa noin 2 GB:n lataus) |
| Käyttökelpoinen tavallisella Macilla | Ei täydellä tarkkuudella tavallisella laitteistolla | Mahdollinen yhteensopivalla ajoympäristöllä; raskaampi kuin Turbo | Kyllä | Kyllä |
Johtopäätös: Voxtral Small saa hyviä WER-tuloksia, ja lisäksi se ymmärtää äänen sisältöä, mitä Whisper ei yritäkään. Voxtral Mini on se malli, jonka Mistral tarjoaa paikalliseen käyttöön ja reunalaitteisiin, mutta sen virallinen mallikortti mainitsee silti noin 9,5 GB GPU-muistia bf16/fp16-tarkkuudella. Kuluttajille tarkoitettuun litterointisovellukseen Whisper Large-v3 Turbo on edelleen helpompi saada mukaan, ja se kattaa paljon useampia kieliä. Siksi Whisper Notes käyttää tällä hetkellä Voxtralin sijaan Whisper Turboa, sisäänrakennettua Parakeet-mallia (Moondreamin Parakeet Ultra, joka on jatkokoulutettu NVIDIAn Parakeet V3:n pohjalta) ja SenseVoicea.
Paljonko API ja oma palvelin maksavat?
Mistralin mallikortin mukaan Voxtral Smallin äänisyöte maksaa $0.004 minuutilta (tarkistettu 10. heinäkuuta 2026). Äänen ymmärtämistä vaativissa pyynnöissä tekstisyöte ja tuotettu teksti laskutetaan erikseen. Jos Apache-2.0-painoja ajaa omalla palvelimella, Mistralin API-maksuja ei ole, mutta laitteisto ja ylläpito maksavat.
Mistralin API
Painot omalla palvelimella
Miten Voxtral toimii?
Virallinen mallikortti kuvaa Voxtralin kielimallirungoksi, jossa on äänienkooderi ja erillinen litterointitila. Tuotteen kannalta tärkeät rajat ovat konkreettisia:
1. Multimodaalinen arkkitehtuuri
Voxtral ottaa vastaan ääntä ja tekstiä samassa keskustelussa eikä toimi pelkkänä puheentunnistuksen dekooderina:
- •Erillinen tila suoraa litterointia varten
- •Kysymyksiin vastaaminen äänen pohjalta ja jäsennellyt yhteenvedot
- •Useita äänisyötteitä ja monivaiheisia keskusteluja äänestä
Pitkien äänitteiden raja
32k:n kontekstiikkunaan mahtuu enintään 30 minuuttia ääntä litterointiin tai 40 minuuttia laajempaan äänen ymmärtämiseen.
2. Kielet ja arviointi
Mistral mainitsee kahdeksan pääkieltä, jotka malli tunnistaa automaattisesti:
- •Englanti, espanja, ranska, portugali, hindi, saksa, hollanti ja italia
- •Vertailutesteinä ovat FLEURS, Mozilla Common Voice ja Multilingual LibriSpeech
- •Julkaisussa arvioidaan lisäksi lyhyt ja pitkä englanninkielinen ääni erikseen
3. Käyttöönoton vaatimukset
Avoimet painot eivät tarkoita, että jokainen malli on tarpeeksi pieni jokaiselle laitteelle:
- •Voxtral Small vaatii mallikorttinsa mukaan noin 55 GB GPU-muistia bf16/fp16-tarkkuudella
- •Voxtral Mini on 3B-malli, joka on tarkoitettu paikalliseen käyttöön ja reunalaitteisiin
- •Mistral suosittelee julkaistujen mallien ajamiseen vLLM:ää
4. Keskeiset ominaisuudet
Sisällön ymmärtäminen
Vastaa kysymyksiin ja tekee yhteenvetoja suoraan äänestä 32k:n kontekstirajan sisällä.
Monikielisyys
Tunnistaa ja litteroi automaattisesti kahdeksan pääkieltä: englannin, espanjan, ranskan, portugalin, hindin, saksan, hollannin ja italian.
Taustamelu
Virallisessa arvioinnissa on mukana monenlaisia puheaineistoja, mutta Mistral ei lupaa hyvää tulosta jokaisesta meluisasta äänitteestä.
Reunalaitteet
Voxtral Mini on vaihtoehto paikalliseen käyttöön ja reunalaitteisiin. Sen virallinen mallikortti mainitsee noin 9,5 GB GPU-muistia bf16/fp16-tarkkuudella.
5. Arkkitehtuuri
Kolme pääosaa:
- 1. Äänienkooderi: muuntaa ääniaallon opituiksi ääniesityksiksi
- 2. Projektori: vie ääniesitykset kielimallin piilotilaan
- 3. Kielimallirunko: tuottaa litteroinnit, vastaukset, yhteenvedot tai työkalukutsut
Tämä rakenne selittää, miksi Voxtral pystyy muuhunkin kuin litterointiin. Samalla sen kielimallin painot ovat paljon suuremmat kuin pelkkään litterointiin tehdyn mallin, kuten Whisper Turbon.
Miksi Whisper Notes on edelleen järkevä valinta?
Voxtral ja Whisper Notes ratkaisevat eri ongelmia. Voxtral yhdistää litteroinnin ja äänen ymmärtämisen. Whisper Notes keskittyy yksityiseen litterointiin, joka toimii vaivatta tavallisilla Applen laitteilla.
Mitä Whisper Notes tarjoaa
Yksityisyys
- •100 % offline-käsittely
- •Tietoja ei lähetetä minnekään
- •Ei riippuvuutta pilvipalveluista
Suorituskyky
- •Whisper-tekniikka, jonka tarkkuus on todettu käytössä
- •Optimoitu Apple-siruille
- •Luotettavat tulokset
Hinta
- •Kertaosto; App Store -osto ja verkkosivuiltamme ladattava Mac-sovellus myydään erikseen
- •Ei minuuttihintoja
- •Enintään 24 tuntia tiedostoa kohden
Käyttökokemus
- •Yksinkertainen käyttöliittymä
- •Säännölliset päivitykset
- •Jatkuva kehitys
Tallennustilan tarve
Voxtral Small on täydellä tarkkuudella palvelinluokan malli: sen virallinen kortti mainitsee noin 55 GB GPU-muistia. Voxtral Mini on tarkoitettu nimenomaan paikalliseen käyttöön ja reunalaitteisiin, mutta senkin kortti mainitsee noin 9,5 GB GPU-muistia bf16/fp16-tarkkuudella. Whisper Turbon latauskoko sovelluksessa on noin 2 GB, mikä sopii nykyiseen Whisper Notesiin paremmin.
Whisper Notes käyttää Whisper Large-v3 Turbo -mallia, koska siinä suorituskyky, nopeus ja näytönohjaimen muistin (VRAM) tarve ovat arkikäytössä hyvässä tasapainossa. Vaihdamme parempiin malleihin, kun niitä tulee saataville kohtuullisilla resurssivaatimuksilla.
Voxtral on houkutteleva, kun tarvitaan kysymyksiin vastaamista äänen pohjalta, yhteenvetoja tai omaa palvelinasennusta. Whisper Notes on tehty yksittäisille käyttäjille, jotka haluavat yksityistä litterointia ilman toistuvaa tilausmaksua.
Mitä tämä tarkoittaa?
Voxtral on avoimien mallien tärkeä askel pelkkää puheentunnistusta pidemmälle, koska se osaa sekä litteroida ääntä että päätellä sen sisällöstä.
Yksityisessä offline-litteroinnissa Macilla ja iPhonella pienemmät, erikoistuneet mallit on yhä helpompi paketoida ja saada toimimaan tasaisesti.
Vertailetko kaikkia paikallisia vaihtoehtoja? Jokainen Whisper Notesin puheentunnistusmalli Parakeetista ja Whisperistä Qwen3-ASR:ään ja SenseVoiceen on vertailtu kieli kieleltä Whisper-mallien vertailusivullamme.
Usein kysytyt kysymykset
Mikä on Mistral Voxtral?
Voxtral on Mistralin avoimin painoin julkaistu malliperhe puheen litterointiin ja äänen ymmärtämiseen. Heinäkuun 2025 julkaisuun kuuluvat Voxtral Small 24B palvelinluokan työkuormiin ja Voxtral Mini 3B paikalliseen käyttöön ja reunalaitteisiin. Kummankin mallin lisenssi on Apache 2.0.
Toimiiko Voxtral paikallisesti Macilla?
Ladattavia painoja voi ajaa itse, mutta kahden koon vaatimukset eroavat. Voxtral Small tarvitsee noin 55 GB GPU-muistia bf16/fp16-tarkkuudella, joten se on palvelinluokan valinta. Voxtral Mini on malli paikalliseen käyttöön ja reunalaitteisiin. Sen mallikortti mainitsee noin 9,5 GB bf16/fp16-tarkkuudella, ja todellinen nopeus ja muistinkäyttö Macilla riippuvat ajoympäristöstä ja kvantisoinnista.
Käyttääkö Whisper Notes Voxtralia?
Ei. Whisper Notes käyttää Parakeetia (Macin oletusmalli), Whisper Large-v3 Turboa ja SenseVoicea. Mallit on valittu, koska niissä suorituskyky, nopeus ja VRAM-tarve ovat tasapainossa arkikäytössä Apple-sirullisilla laitteilla. Otamme parempia malleja käyttöön aina, kun niitä voi käytännössä ajaa tavallisilla kuluttajalaitteilla.
Montako kieltä Voxtral tukee?
Viralliset mallikortit mainitsevat kahdeksan pääkieltä, jotka malli tunnistaa automaattisesti: englannin, espanjan, ranskan, portugalin, hindin, saksan, hollannin ja italian. Mistral arvioi FLEURSissa myös arabiaa, mutta se ei kuulu mallikortin pääkielten luetteloon.
Milloin Mistral Voxtral julkaistiin?
Mistral julkaisi Voxtralin 15. heinäkuuta 2025. Ensimmäiset Apache-2.0-mallit olivat Voxtral Small 24B ja Voxtral Mini 3B.
Lataa iOS:lle