Mistral Voxtral vs GPT-4o | Benchmark AI Giọng Nói

Hai mô hình

Mistral đã phát hành hai checkpoint theo giấy phép Apache 2.0 vào tháng 7 năm 2025:

Trọng số mở và giấy phép

Cả hai checkpoint năm 2025 đều là trọng số mở theo giấy phép Apache 2.0. Bạn có thể tự tải về và chạy chúng:

• ✓ Toàn bộ trọng số mô hình được công khai
• ✓ Tự host hoặc tùy biến trong phạm vi giấy phép Apache 2.0
• ✓ Không mất phí API của Mistral khi tự host; bạn vẫn phải trả chi phí điện toán của riêng mình
• ✓ Xử lý âm thanh ngay trên máy chủ của bạn

Nguồn: thông báo phát hành Voxtral của Mistral, model card chính thức của Voxtral Small và model card chính thức của Voxtral Mini.

Benchmark

Bản công bố của Mistral so sánh tỷ lệ lỗi từ (WER) trung bình vĩ mô trên các bộ tiếng Anh dạng ngắn và dạng dài, Mozilla Common Voice, FLEURS và Multilingual LibriSpeech. Trong kết quả FLEURS mà Mistral báo cáo, Voxtral Small vượt Whisper ở mọi tác vụ được đánh giá. WER càng thấp càng tốt:

WER trên FLEURS từ benchmark công bố khi ra mắt của Mistral, đối chiếu với giá API ước tính; cả kết quả benchmark lẫn giá đều có thể thay đổi

FLEURS chỉ là một lát cắt của chất lượng phiên âm. Đây là kết quả do chính nhà cung cấp công bố, vì vậy hãy đối chiếu định nghĩa benchmark đã được công bố và tự thử nghiệm với ngôn ngữ, micro và điều kiện ghi âm của bạn trước khi chọn mô hình.

Voxtral hay Whisper: Nên dùng mô hình nào?

Benchmark chỉ kể một phần câu chuyện. Dưới đây là cách hai họ mô hình so kè nhau trên những yếu tố thực sự quan trọng nếu bạn muốn tự chạy một trong số chúng:

Kết luận: Voxtral Small báo cáo kết quả WER ấn tượng và bổ sung khả năng hiểu âm thanh mà Whisper không nhắm tới. Voxtral Mini là checkpoint được Mistral định vị cho triển khai cục bộ và biên, nhưng model card chính thức của nó vẫn ghi khoảng 9,5 GB RAM GPU ở bf16/fp16. Với một ứng dụng phiên âm cho người dùng phổ thông, Whisper Large-v3 Turbo vẫn dễ đóng gói hơn và phủ nhiều ngôn ngữ hơn hẳn. Đó là lý do Whisper Notes hiện kết hợp Whisper Turbo với Parakeet V3 và SenseVoice thay vì Voxtral.

Chi phí API và tự host

Theo kiểm tra ngày 10 tháng 7 năm 2026, model card của Mistral niêm yết giá đầu vào âm thanh của Voxtral Small ở mức $0.004 mỗi phút. Đầu vào văn bản và văn bản sinh ra được tính phí riêng đối với các yêu cầu hiểu âm thanh. Nếu bạn tự host trọng số Apache 2.0, sẽ không có phí API của Mistral, nhưng bạn phải trả chi phí phần cứng và vận hành.

Cách hoạt động

Model card chính thức mô tả Voxtral là một backbone mô hình ngôn ngữ đi kèm bộ mã hóa âm thanh và chế độ phiên âm chuyên dụng. Những giới hạn quan trọng của sản phẩm đều rất cụ thể:

1. Kiến trúc đa phương thức

Voxtral nhận cả âm thanh lẫn văn bản trong cùng một hội thoại thay vì chỉ đóng vai trò bộ giải mã giọng nói thành văn bản:

• •Chế độ chuyên dụng cho phiên âm trực tiếp
• •Hỏi đáp trên âm thanh và tóm tắt có cấu trúc
• •Nhiều đầu vào âm thanh và hội thoại âm thanh nhiều lượt

2. Ngôn ngữ và đánh giá

Mistral liệt kê tám ngôn ngữ chính với khả năng tự động nhận dạng ngôn ngữ:

• •Tiếng Anh, Tây Ban Nha, Pháp, Bồ Đào Nha, Hindi, Đức, Hà Lan và Ý
• •Các benchmark gồm FLEURS, Mozilla Common Voice và Multilingual LibriSpeech
• •Bản công bố cũng đánh giá riêng âm thanh tiếng Anh dạng ngắn và dạng dài

3. Yêu cầu triển khai

Trọng số mở không có nghĩa là mọi checkpoint đều đủ nhỏ cho mọi thiết bị:

• •Voxtral Small cần khoảng 55 GB RAM GPU ở bf16/fp16 theo model card của nó
• •Voxtral Mini là checkpoint 3B dành cho triển khai cục bộ và biên
• •Mistral khuyến nghị dùng vLLM để phục vụ các checkpoint đã phát hành

4. Tính năng chính

5. Kiến trúc

Ba thành phần chính:

Thiết kế đó lý giải vì sao Voxtral làm được nhiều hơn phiên âm, nhưng nó cũng phải mang theo phần trọng số mô hình ngôn ngữ lớn hơn nhiều so với một mô hình thuần phiên âm như Whisper Turbo.

Vì sao Whisper Notes vẫn là lựa chọn hợp lý

Voxtral và Whisper Notes giải quyết hai bài toán khác nhau. Voxtral kết hợp phiên âm với hiểu âm thanh; Whisper Notes tập trung vào phiên âm riêng tư, dễ chạy trên phần cứng Apple phổ thông.

Whisper Notes dùng Whisper Large-v3 Turbo — mô hình cân bằng giữa hiệu năng, tốc độ và yêu cầu VRAM cho nhu cầu sử dụng hằng ngày. Chúng tôi sẽ nâng cấp lên các mô hình tốt hơn khi chúng xuất hiện với yêu cầu tài nguyên hợp lý.

Voxtral hấp dẫn khi bạn cần hỏi đáp trên âm thanh, tóm tắt, hoặc triển khai tự host trên máy chủ. Whisper Notes hướng đến người dùng cá nhân muốn phiên âm riêng tư và không phải trả phí thuê bao định kỳ.

Điều này có ý nghĩa gì

Voxtral là một bước tiến open-weight quan trọng vượt ra ngoài nhận dạng giọng nói thuần túy, vì nó có thể suy luận trên âm thanh chứ không chỉ phiên âm.

Với nhu cầu phiên âm ngoại tuyến, riêng tư trên Mac và iPhone, các engine chuyên biệt nhỏ hơn vẫn dễ đóng gói và vận hành ổn định hơn.

Muốn so sánh mọi lựa chọn chạy cục bộ? Tất cả các mô hình chuyển giọng nói thành văn bản trên thiết bị — các biến thể Whisper, Parakeet V3, SenseVoice và Voxtral — đều được đặt cạnh nhau trên trang so sánh các mô hình Whisper của chúng tôi.

Câu hỏi thường gặp

Tải cho iOS Tải cho macOS