Mistral, Voxtral Realtime와 Voxtral Mini Transcribe V2로 speech stack 확장

Mistral은 두 가지 연결된 음성 제품을 동시에 내놓으며 speech 라인업을 확장했다. 하나는 low-latency streaming transcription을 위한 Voxtral Realtime이고, 다른 하나는 high-efficiency batch transcription을 위한 Voxtral Mini Transcribe V2다. 이 조합은 live voice agent, subtitle generation, meeting transcription, post-call processing까지 아우르는 보다 완성된 voice stack을 Mistral에 제공한다. Mistral Studio에 새 audio playground도 함께 추가된 만큼, 이번 발표는 단순 연구 공개보다 developer platform 업데이트 성격이 더 강하다.

전략적으로 더 흥미로운 쪽은 Voxtral Realtime이다. Mistral은 이 모델이 offline model을 chunk 단위로 억지 변환한 방식이 아니라, streaming audio를 위해 설계된 구조라고 설명했다. latency는 sub-200ms까지 조정 가능하며, 2.4 seconds 지연에서는 최신 batch model인 Voxtral Mini Transcribe V2와 같은 수준에 도달하고, 480ms에서도 word error rate 차이가 1-2% 안에 머문다고 밝혔다. 또한 13개 언어를 지원하고 4B parameter footprint로 동작하며, Hugging Face에서 Apache 2.0으로 공개돼 privacy-sensitive deployment나 edge 환경에서도 쓰기 쉽다는 점을 강조했다.

Voxtral Mini Transcribe V2는 가격 대비 성능을 앞세운 실전형 모델로 포지셔닝된다. Mistral은 FLEURS benchmark에서 약 4% word error rate를 기록하면서도 가격은 $0.003/min이라고 설명했고, 정확도 측면에서 GPT-4o mini Transcribe, Gemini 2.5 Flash, Assembly Universal, Deepgram Nova보다 우수하다고 주장했다. ElevenLabs Scribe v2와 비교해서는 품질을 맞추면서도 audio 처리 속도는 약 3x 빠르고 비용은 one-fifth 수준이라고 덧붙였다. 기능 측면에서는 speaker diarization, 최대 100개의 word 또는 phrase를 넣는 context biasing, word-level timestamps, 13개 언어 지원, noise robustness, 요청당 최대 3 hours audio 처리 등 production workload에 바로 필요한 기능을 갖췄다.

Mistral은 실험 비용을 낮추는 tooling도 함께 묶었다. Mistral Studio의 audio playground에서는 최대 10개 파일을 업로드할 수 있고, diarization on/off, timestamp granularity, context bias term 설정을 조정할 수 있다. 지원 형식은 .mp3, .wav, .m4a, .flac, .ogg이며 파일당 최대 1GB까지 허용된다. API 가격은 Voxtral Realtime이 $0.006/min, Voxtral Mini Transcribe V2가 $0.003/min이다. 또한 두 모델 모두 on-premise 또는 private cloud를 통한 GDPR·HIPAA 준수 배치가 가능하다고 밝혔다. speech 기능이 agent stack의 핵심 요소로 빠르게 자리 잡는 가운데, Mistral은 latency, openness, operating cost를 동시에 경쟁 포인트로 삼으려는 모습이다.