#speech-to-text

Mistral 宣布推出 Voxtral 3，并发布一套实时语音代理 SDK；该 SDK 将听取语音、推理、工具调用和语音回复整合到电话或网页的实时对话中。公告未披露基准测试、模型许可或架构细节，因此其语音识别质量、延迟和本地部署条件仍无法核实。

一位开发者把 EmbeddingGemma 2 改造成语音转文字模型，做法是利用该模型中文本与音频共享同一向量空间，将音频映射到文本表示。创作者在 Hacker News 评论中表示，这个实验“能跑通”，准确率不错但低于云端模型，日常使用尚可，速度提升只是附带结果，并非最初目标。该实验并非正式发布的产品，给定材料未说明模型权重、代码或使用条件是否公开。