据 GIGAZINE 报道,Mistral 于 2026 年 11 月 13 日发布了“Voxtral Mini 4B Realtime WebGPU”,这是一款可在浏览器中免费运行、无需安装的实时语音转文字工具,支持包括日语在内的 13 种语言,并完全依赖 WebGPU 在本地执行。
要点速览
- 本地实时转录:利用 WebGPU 技术,AI 模型在浏览器内通过 PC 的 GPU 进行推理,实现语音到文字的实时转换。
- 多语言支持:支持日语、英语、中文、韩语、法语、德语、西班牙语、意大利语、葡萄牙语、荷兰语、俄语、阿拉伯语和印地语共 13 种语言,系统会自动识别语音语言。
- 无需安装:用户只需打开 Hugging Face 上的页面即可使用,模型首次加载约需下载 2.8GB 数据,后续使用会利用缓存。
- 功能专注:仅专注于语音转文字,不具备翻译、说话人识别或上传音频文件的功能。
运行环境要求:需要支持 WebGPU 和 16 位浮点计算(shader-f16)的浏览器及 GPU。若 GPU 显存不足(如 4GB 显存),处理可能会中断;测试显示,使用该工具时 GPU 显存占用从 2.0GB 上升至 5.9GB。

本地部署:源代码已开源,用户可通过 Git 和 Node.js 在 Windows 等系统中克隆仓库并运行 `npm run dev`,在本地启动服务。

关键参数
| 项目 | 参数 |
|---|---|
| 模型名称 | Voxtral Mini 4B Realtime WebGPU |
| 发布方 | Mistral (Hugging Face Space) |
| 支持语言 | 13 种(含中日英法德西等) |
| 运行方式 | 浏览器本地 WebGPU 推理 |
| 模型大小 | 约 2.8 GB |
| 显存需求 | 推荐 8GB 以上(4GB 可能报错) |
| 本地启动 | 支持 (Git + Node.js) |

价格与上市
- 价格:免费
- 上市时间:2026 年 11 月 13 日
- 访问地址:Hugging Face Space (https://huggingface.co/spaces/mistralai/Voxtral-Mini-4B-Realtime-WebGPU)
媒体评价
据 GIGAZINE 实测,该工具在首次使用时会下载约 2.8GB 的 AI 模型数据,进度条显示“Loading Model”,但后续使用会利用缓存,无需重复下载。启动转录后,界面右上角会切换为“LIVE TRANSCRIPTION”状态,待机时显示“Listening for speech…”。
在日语实时转录测试中,用户朗读短文时,文字几乎实时出现在“Transcript”栏中,支持边说边看结果。即使朗读长句,除个别字符出现乱码外,句子结构和专有名词的转换也较为准确。用户可通过“Stop”结束录音并保留结果,或通过“Reset”清空内容重新开始。
该工具基于 Hugging Face 的“Transformers.js”加载 ONNX 格式的模型,并通过 WebGPU 调用 PC 显卡进行计算。GIGAZINE 指出,对于会议记录或采访素材,这种无需上传文件、完全在本地运行的方式,既保护了隐私,又避免了专用软件的安装负担。
个人创作者的离线录音整理利器
对于独立创作者、播客主播或家庭工作室用户而言,Voxtral Mini 4B Realtime WebGPU 最大的价值在于“隐私”与“便捷”的平衡。以往使用在线转录服务,录音文件需上传至云端,适合处理敏感内容的创作者;而该工具完全在本地浏览器运行,数据不离开电脑,且无需安装任何客户端软件。
它适合那些需要快速将会议录音、采访素材或语音备忘录转为文字的个人用户。特别是对于使用非主流语言(如日语、印地语等)的创作者,其自动语言识别功能省去了手动选择的麻烦。虽然它不支持说话人分离,但对于单人录制或简单对话整理已足够使用。需要注意的是,它依赖浏览器硬件加速,老旧电脑或显存较小的设备可能体验不佳,建议配备 8GB 以上显存的显卡以获得流畅体验。





