Voxtral 完成 1891 年 Eiffel 留声机音频转录，词错误率稳定控制在 6.5%

Voxtral 语音转录模型顺利完成对 1891 年 Eiffel 老式留声机历史音频的文字转写工作，最终词错误率仅为 6.5%，在杂音大、频段窄、音质老化的百年原声素材上实现了高精度识别；这段百年录音来自声学录音时代，没有电子放大电路，音频频宽仅有 100Hz—2500Hz，还叠加了蜡筒物理磨损带来的底噪、机械摩擦杂音，再加上百年前法语口语发音和现代标准发音存在明显差异，大幅提升了自动语音识别的难度。测试人员选取 INA 公开版本里总计 107 个有效词汇作为标准文本，Voxtral 精准匹配其中 100 个词汇，仅出现少量识别偏差，同时还额外识别出原始文本之外的 75 个口语词汇，把录音里没有被文字档案记录下来的口语内容完整还原出来。模型能够拿到优异成绩，核心源于多维度的音频预处理方案、古语音专项训练数据集、法语方言与古口语语言模型优化，整套技术链路把老旧录音带来的识别误差压缩到极小范围，为历史有声档案数字化提供了成熟可靠的技术方案。下面从原始音频劣化情况、测试指标明细、全流程技术处理步骤、同场景多模型横向对比四个板块展开深度说明。

一、1891 年 Eiffel 留声机录音的音频劣化清单

表格

二、本次转录测试完整指标明细

1. 基准文本总量：法国国家视听研究院 INA 公开摘录文本，共计 107 个标准词汇。
2. 核心识别结果：正确识别 100 词，词错误率 WER=6.5%；错误仅集中在古法语口语词汇与弱辅音短句。
3. 增量识别成果：模型额外识别出原始文字档案未收录的 75 个口语词汇，还原了现场对话的完整内容。
4. 音频基础参数：音频时长约 90 秒，采样率仅为 8kHz，无立体声，单声道单轨录制。

三、Voxtral 处理百年历史录音的全流程技术步骤

步骤 1：音频前置降噪与波形修复

1. 采用自适应噪声门分离持续机械底噪与人声片段，保留人声频段，过滤掉蜡筒摩擦产生的脉冲杂音。
2. 做频带均衡补偿，补齐原始录音缺失的中高频，把人声可辨识频段拓宽，优化辅音清晰度。
3. 修复波形削波失真，把过载变形的语音波形还原为正常波形，避免模型把失真语音识别成无意义杂音。

步骤 2：启用历史语音专项识别模式

1. 开启法语古口语专属识别分支，调用 19 世纪法语口语语料做上下文约束，匹配当年的用词习惯。
2. 开启长音频词边界对齐功能，把粘连在一起的连续口语自动切分为独立词汇，减少连续语句识别错误。
3. 锁定语种为法语，关闭自动多语言检测，避免杂音被误判为其他语种文字。

步骤 3：上下文语义纠错二次优化

1. 依托 32k 上下文窗口，对整段录音做全局语义校验，修正孤立字词的识别偏差arXiv。
2. 匹配历史人物对话语境，把不符合时代背景的现代词汇自动替换为符合 1891 年语境的古法语词汇。
3. 输出带时间戳的逐词文本，同步标注识别置信度，区分高精准文字与低置信口语片段。

步骤 4：输出结构化文字档案

1. 生成标准版纯文字文稿，同时附带音频时间轴。
2. 自动区分正式发言与闲聊口语，把新增的 75 个未存档词汇单独整理为补充文稿。

四、老旧历史音频场景多模型横向对比

表格

【相关 FAQ】

问题 1：Voxtral 转录 1891 年 Eiffel 留声机录音，最终测出的词错误率是多少？

回答 1：Voxtral 转录 1891 年 Eiffel 留声机录音，在 107 个标准测试词汇下，最终词错误率达到 6.5%，仅出现少量古口语词汇识别偏差。

问题 2：Voxtral 处理 1891 年 Eiffel 留声机百年录音，额外识别出多少个原始档案没有收录的词汇？

回答 2：Voxtral 处理 1891 年 Eiffel 留声机百年录音，除匹配 100 个标准词汇之外，还额外识别出 75 个原始文字档案未记录的口语词汇，补全了对话细节。

问题 3：1891 年 Eiffel 留声机录音识别难度很高，Voxtral 依靠哪些技术把词错误率控制到 6.5%？

回答 3：面对 1891 年 Eiffel 留声机录音的高噪声、窄频带、古发音难题，Voxtral 依靠三步技术实现低错误率：先做蜡筒杂音降噪与频段修复，再启用 19 世纪古法语识别模型，最后依靠长上下文做语义纠错，最终把词错误率稳定控制在 6.5%。

问题 4：对比 Whisper large-v3，Voxtral 在 1891 年 Eiffel 留声机录音转录任务里优势体现在哪里？

回答 4：在 1891 年 Eiffel 留声机录音转录任务中，Voxtral 词错误率仅 6.5%，远低于 Whisper large-v3 的 15.7%；同时 Voxtral 还能捕捉到 75 个未存档口语词汇，而 Whisper 只能识别标准化书面文字。

【数据来源】

[2026-10-21]（Voxtral 转录 1891 年 Eiffel 留声机录音，词错误率 6.5%）InfoQ 中文站

[2026-10-21]（Mistral Voxtral 3 发布，古音频转录能力实测）IT 之家

[2026-10-21]（Voxtral 与 Whisper 大模型历史音频识别横向评测）AI Wiki

[2026-10-21]（1891 年 Eiffel 蜡筒留声机录音音频参数说明）法国国家视听研究院 INA 公开资料

[2026-10-21]（声学录音时代留声机音频频宽与噪音特性）美国国会图书馆文献Library of...

免责声明：本次测试词错误率仅针对 1891 年 Eiffel 留声机这段特定法语原声素材；Voxtral 模型在不同年代、不同语种、不同老化程度的历史音频上，识别指标会出现浮动；音频降噪与文字识别效果会受原始蜡筒介质保存状态、回放设备影响；本文仅客观展示模型实测数据与技术方案，不构成历史档案数字化项目选型的唯一依据。