/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
voxtral_realtime · dense
Базовая модель
Voxtral-Mini-4B-Realtime-2602
Опубликована
7 мар 2026

Voxtral-Mini-4B-Realtime-2602-ONNX

Распознавание речиАудио → текст6 профессий

Voxtral Mini 4B Realtime 2602 — мультиязычная модель автоматического распознавания речи в реальном времени, разработанная Mistral AI и представленная в формате ONNX сообществом onnx-community на основе mistralai/Voxtral-Mini-4B-Realtime-2602.

1 768скачиваний за 30 дней30лайковвеса обновлены11 мар 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Она предназначена для потоковой транскрибации аудио, создания субтитров в реальном времени, голосовых ассистентов, частной расшифровки встреч и других приложений, где важны низкая задержка и непрерывная обработка речи.

Модель содержит около 4 млрд параметров: языковую модель примерно на 3,4 млрд параметров и аудиоэнкодер примерно на 970 млн параметров. Аудиоэнкодер использует каузальное внимание, а обе основные части — скользящее оконное внимание, что поддерживает потоковую обработку продолжительных аудиосессий. Заявлены 13 языков: английский, французский, испанский, немецкий, русский, китайский, японский, итальянский, португальский, нидерландский, арабский, хинди и корейский. Задержка транскрибации настраивается; рекомендуемое значение — 480 мс, диапазон зависит от конфигурации и позволяет выбирать баланс между скоростью и точностью. Указана производительность свыше 12,5 токена в секунду на устройствах с минимальными аппаратными ресурсами.

Сильные стороны модели — нативная потоковая архитектура, низкая задержка, поддержка нескольких языков, возможность развертывания на устройствах и качество, сопоставимое с офлайн-системами при задержке 480 мс. Ограничения включают компромисс между задержкой и точностью, а также зависимость длительности потоковой сессии от настроек максимальной длины контекста и доступных ресурсов. Модель выпущена в формате BF16 по лицензии Apache 2.0, допускающей исследовательское и коммерческое использование.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Voxtral Mini 4B Realtime 2602

Voxtral Mini 4B Realtime 2602 is a multilingual, realtime speech-transcription model and among the first open-source solutions to achieve accuracy comparable to offline systems with a delay of <500ms. It supports 13 languages and outperforms existing open-source baselines across a range of tasks, making it ideal for applications like voice assistants and live subtitling.

Built with a natively streaming architecture and a custom causal audio encoder - it allows configurable transcription delays (240ms to 2.4s), enabling users to balance latency and accuracy based on their needs. At a 480ms delay, it matches the performance of leading offline open-source transcription models, as well as realtime APIs.

As a 4B-parameter model, is optimized for on-device deployment, requiring minimal hardware resources. It runs in realtime with on devices minimal hardware with throughput exceeding 12.5 tokens/second.

This model is released in BF16 under the Apache-2 license, ensuring flexibility for both research and commercial use.

For more details, see our:

Key Features

Voxtral Mini 4B Realtime consists of two main architectural components:

  • ≈3.4B Language Model
  • ≈970M Audio Encoder
  • The audio encoder was trained from scratch with causal attention enabling streaming capability
  • Both the audio encoder as well as the LLM backbone use sliding window attention allowing for "infinite" streaming
  • For more details, refer to the technical report

Voxtral-Realtime Architecture

The Voxtral Mini 4B Realtime model offers the following capabilities:

  • High-Quality Transcription: Transcribe audio to text with confidence.
  • Multilingual: Supports dozens of languages, making it perfect for multilingual transcription tasks.
  • Real-Time: Fast streaming ASR model, enabling real-time transcription use cases.
  • Configurable Transcription Delays: Customize the transcription delay to balance quality and latency, from 80ms to 2.4s.

Use Cases

Real-Time Transcription Purposes:

  • Private meeting transcriptions
  • Live subtitle creation
  • Real-time assistants with speech understanding
  • And more

Bringing real-time transcription capabilities to all.

Recommended Settings

We recommend deploying with the following best practices:

  • Always set the temperature to 0.0
  • A single text-token is worth 80ms. Hence, make sure to set your --max-model-len accordingly. To live-record a 1h meeting, you need to set --max-model-len >= 3600 / 0.8 = 45000. In theory, you should be able to record with no limit; in practice, pre-allocations of RoPE parameters among other things limits --max-model-len. For the best user experience, we recommend to simply instantiate vLLM with the default parameters which will automatically set a maximum model length of 131072 (~ca. 3h).
  • We strongly recommend using websockets to set up audio streaming sessions. For more info on how to do so, check Usage.
  • We recommend using a delay of 480ms as we found it to be the sweet spot of performance and low latency. If, however, you want to adapt the delay, you can change the "transcription_delay_ms": 480 parameter in the tekken.json file to any multiple of 80ms between 80 and 1200, as well as 2400 as a standalone value.

Benchmark Results

We compare Voxtral Mini 4B Realtime to similar models - both offline models and realtime. Voxtral Mini 4B Realtime is competitive to leading offline models and shows significant gains over existing open-source realtime solutions.

Fleurs

ModelDelayAVGArabicGermanEnglishSpanishFrenchHindiItalianDutchPortugueseChineseJapaneseKoreanRussian
Voxtral Mini Transcribe 2.0Offline5.90%13.54%3.54%3.32%2.63%4.32%10.33%2.17%4.78%3.56%7.30%4.14%12.29%4.75%
Voxtral Mini 4B Realtime 2602480 ms8.72%22.53%6.19%4.90%3.31%6.42%12.88%3.27%7.07%5.03%10.45%9.59%15.74%6.02%
160 ms12.60%24.33%9.50%6.46%5.34%9.75%15.28%5.59%11.39%10.01%17.67%19.17%19.81%9.53%
240 ms10.80%23.95%8.15%5.91%4.59%8.00%14.26%4.41%9.23%7.51%13.84%15.17%17.56%7.87%
960 ms7.70%20.32%4.87%4.34%2.98%5.68%11.82%2.46%6.76%4.57%8.99%6.80%14.90%5.56%
2400 ms6.73%14.71%4.15%4.05%2.71%5.23%10.73%2.37%5.91%3.93%8.48%5.50%14.30%5.41%

Long-form English

ModelDelayMeanwhile (<10m)E-21 (<10m)E-22 (<10m)TEDLIUM (<20m)
Voxtral Mini Transcribe 2.0Offline4.08%9.81%11.69%2.86%
Voxtral Mini 4B Realtime 2602480ms5.05%10.23%12.30%3.17%

Short-form English

ModelDelayCHiME-4GigaSpeech 2k SubsetAMI IHMSwitchBoardCHiME-4 SPGISpeech 2k Subset
Voxtral Mini Transcribe 2.0Offline10.39%6.81%14.43%11.54%10.42%1.74%
Voxtral Mini 4B Realtime 2602480ms10.50%7.35%15.05%11.65%12.41%1.73%

License

This model is licensed under the Apache 2.0 License.

You must not use this model in a manner that infringes, misappropriates, or otherwise violates any third party’s rights, including intellectual property rights.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VoxtralRealtimeForConditionalGeneration
Ревизия весов
db34633

0 моделей