2026.11.17 TUE・共 268 則
本機工具免費工具・語音轉寫

開個網頁就能即時轉文字,
Voxtral 怎樣做到?

法國 Mistral AI 在 Hugging Face 提供「Voxtral Mini 4B Realtime WebGPU」示範頁:不用安裝軟件,打開瀏覽器即可把麥克風語音即時轉成文字。首次須下載約 2.8 GB 模型並緩存,之後以 WebGPU 在本機推論;示範頁說明音訊不會送到伺服器。

TAGTECH 科技版・2026 年 11 月 14 日・閱讀時間約 5 分鐘

發布:2026 年 11 月 14 日.第 1.0 版

「Voxtral Realtime」示範頁開首畫面列出三步:下載並緩存約 2.8 GB 模型、音訊在本機處理,以及即時串流;底部註明瀏覽器須支援 WebGPU 與 shader-f16
「Voxtral Realtime」示範頁開首畫面列出三步:下載並緩存約 2.8 GB 模型、音訊在本機處理,以及即時串流;底部註明瀏覽器須支援 WebGPU 與 shader-f16(圖:Mistral AI)

想即時把一段說話寫成文字,過往通常要先錄音,再安裝轉錄軟件,或者把檔案交上雲端服務處理。日本科技網站 Gigazine 在 2026 年 11 月 13 日實測法國 Mistral AI 放在 Hugging Face 的示範頁「Voxtral Mini 4B Realtime WebGPU」:不用安裝軟件,在瀏覽器打開頁面,就可以把麥克風語音即時轉成文字。

這個示範並不是把聲音送到遠端伺服器再傳回結果,而是先下載語音辨識模型,再交給瀏覽器在本機運算。

問:這個示範頁是甚麼?瀏覽器真的可以即時轉寫嗎?

它的全名是「Voxtral Mini 4B Realtime WebGPU」,由 Mistral AI 的官方帳號發布在 Hugging Face Space,使用的模型是 Voxtral-Mini-4B-Realtime-2602。示範頁免費開放,不用安裝軟件,也不必先申請帳號。

打開頁面後,系統會先下載約 2.8 GB 的模型,並存進瀏覽器快取;之後再次使用,就可以從快取載入。模型準備好,並在瀏覽器允許使用麥克風之後,就可以一邊說話,一邊在畫面看到轉寫結果。

Hugging Face 上另有名稱相近的示範頁,本文只討論 `mistralai/Voxtral-Mini-4B-Realtime-WebGPU`,不要把兩者的能力混為一談。

問:模型不是在雲端處理,那它怎樣做到即時?

示範頁說明,音訊在本機處理,不會送到伺服器;所有推論都在裝置上,以 Transformers.js 和 WebGPU 運行。過程可以簡單理解為:瀏覽器取得麥克風聲音,再由 WebGPU 把模型交到電腦的顯示晶片運算,然後即時顯示文字。

官方模型卡建議以 480 毫秒作為延遲設定的參考,示範頁則寫模型可以把延遲做到 500 毫秒以下。這是官方對模型能力的說明,並不是每部電腦都會達到這個速度。第一次使用仍要從網絡下載模型,因此「在本機推論」並不等於整段過程都不需要網絡。

問:它實際支援多少種語言?效果如何?

示範頁和模型卡都列出 13 種語言:英語、中文、印地語、西班牙語、阿拉伯語、法語、葡萄牙語、俄語、德語、日語、韓語、意大利語和荷蘭語。介面沒有語言選單,由模型根據音訊自行判斷。

Gigazine 用日語測試時,短句幾乎即時出現文字;較長的句子偶有亂碼,但斷句和專有名詞大致可用。這是該次日語實測的結果。粵語和繁體中文的辨識效果,目前未見同樣的獨立實測。

這個示範只做語音轉文字,沒有翻譯功能,也不會把不同說話人分開標記。

問:免費即時轉寫有甚麼代價?

要運行這個示範,瀏覽器需要支援 WebGPU,以及處理 16 位元浮點運算的 shader-f16。首次還要下載約 2.8 GB 的模型。

Gigazine 在一部具有 8 GB 獨立顯示記憶體的電腦上測量,使用前顯示記憶體佔用約 2.0 GB,使用中約 5.9 GB;另外亦有 4 GB 顯示記憶體的機器出現錯誤的回報。這些是實測和回報,不是官方公布的最低要求。

問:它最適合用來做甚麼?

如果只是想即時把現場說話變成文字,例如一邊講、一邊看稿,這個示範會比「先錄音、再上傳、再等候轉寫」更直接。

它並不是一套完整的會議紀錄工具:不能上傳已經錄好的音檔,也不會自動區分誰在說話。想用來記錄粵語對話,目前還需要自行測試,才能判斷是否夠用。模型以 Apache 2.0 授權發布,其他限制仍要以授權原文為準。

示範頁寫道,音訊會在本機處理,不會送到伺服器;所有推論都在裝置上,以 Transformers.js 和 WebGPU 運行。

注釋
  1. WebGPU:讓網頁直接使用電腦顯示晶片做運算的瀏覽器技術。這個示範頁需要瀏覽器支援它,才能在本機運行模型。 ↩
  2. shader-f16:WebGPU 的一項功能,用來處理 16 位元浮點運算。示範頁註明瀏覽器必須支援這項功能。 ↩
  3. Transformers.js:一套在瀏覽器裡運行機器學習模型的 JavaScript 函式庫。這個示範頁用它配合 WebGPU 做語音辨識。 ↩
三行重點
  1. Mistral AI 在 Hugging Face 提供「Voxtral Mini 4B Realtime WebGPU」示範頁,免費、不用安裝,打開瀏覽器即可把麥克風語音即時轉成文字
  2. 首次須下載約 2.8 GB 模型並存進瀏覽器快取;之後從快取載入,以 Transformers.js 和 WebGPU 在本機推論。示範頁說明音訊不會送到伺服器
  3. 示範頁與模型卡列出 13 種語言,介面沒有語言選單,由音訊自行判斷;不做翻譯,也不把不同說話人分開標記,並且不能上傳現成錄音檔

撰文:踢踢編
一隻為人類打工,沒有靈魂的寫作機器。

我認為此文章:
想編輯補充:

想文章更新時收到通知?在 IG DM「更新」給 @tagtech_hk

分享

TagTech

在 Instagram 追蹤 @tagtech_hk

每日科技趣聞

追蹤
POPULAR熱門文章