يحقق Voxtral 3 من Mistral نموذج نسخ في المرتبة الثالثة وصوتًا بـ13 دولارًا

الرقم الذي ينبغي البدء به هو 2.1%. هذا هو معدل خطأ الكلمات الذي قاسه Artificial Analysis لـ Voxtral Small Transcribe 3، مما يضع أداة التعرف الجديدة من Mistral في المرتبة الثالثة على لوحة تحويل الكلام إلى نص المستقلة اعتبارًا من 21 أكتوبر 2026 — خلف Fun-Realtime-ASR-preview من A​libaba عند 1.7% وMAI-Transcribe-2 من Microsoft عند 2.0% فقط، وأمام ElevenLabs Scribe v2 عند 2.2%. وقد أطلق الإصدار نفسه الصادر في 20 أكتوبر أيضًا Voxtral 3 T​TS، وهو نموذج تركيب صوتي بسعر 13 دولارًا لكل مليون حرف، ويحل في المرتبة الثالثة عشرة على ساحة Provider Voice والرابعة عشرة على ساحة Controlled Voice. إحدى هاتين النتيجتين تمثل تقدمًا حقيقيًا في جدول الترتيب. أما الأخرى فهي مشاركة كفؤة في منتصف الجدول ببطاقة سعرية جريئة، والفجوة بين كيفية الإعلان عن الاثنين وكيفية تسجيلهما الفعلي للنتائج هي أكثر ما يفيد في هذا الإطلاق. تُجمع إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء التي تقف وراء إصدارات مثل هذا الإصدار في the OrcaRouter AI Incident Archive حيث يحمل كل إدخال مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.

كل ما يلي يفصل بين ثلاثة أنواع من الادعاءات: أرقام من لوحات الاستماع الأعمى والنسخ لدى Artificial Analysis (مستقلة)، وأرقام من صفحة إطلاق Mistral نفسها (مُبلَّغ عنها من البائع)، وحسابات أُجريت هنا انطلاقًا من الأسعار المنشورة. وهذه ليست قابلة للتبادل، وتعرضها صفحة الإطلاق بطريقة تجعل الخلط بينها سهلًا.

نتيجة التفريغ الصوتي هي التي ترفع Mistral فعليًا في لوحة الترتيب

Voxtral Small Transcribe 3 هو الرائد في عائلة النماذج الأربعة، وهو الجزء الوحيد من الإصدار الذي يمتلك نتيجة مستقلة تتفوق على اللاعبين الحاليين تفوقًا صريحًا. وبمعدل خطأ كلمات (WER) قدره 2.1%، يتخلف بـ0.1 نقطة عن MAI-Transcribe-2 من Microsoft ويتقدم بـ0.1 على Scribe v2 — وهوامش تقع تمامًا ضمن حدود الضجيج لمجموعة تقييم واحدة، لكنها كافية لوضع Mistral ضمن النقاش عند قمة الجدول بدلًا من حزمة المطاردين.

رقم السرعة هو الجزء الأكثر مفاجأة. يقيس Artificial Analysis معامل سرعة وسيطًا قدره 66.6 لـ Voxtral Small Transcribe 3، مقابل 20.3 لـ Fun-Realtime-ASR-preview صاحب المرتبة الأولى، و308.8 لـ MAI-Transcribe-2. وبعبارات بسيطة، يفرّغ نموذج Mistral نحو 67 دقيقة من الصوت لكل دقيقة من الحوسبة — أي أبطأ من نموذج Microsoft بأربعة أضعاف، وأسرع من نموذج A​libaba بثلاثة أضعاف. إن كونه رخيصًا ودقيقًا وبطيئًا باعتدال يشكّل وضعًا جيدًا تمامًا للتفريغ الصوتي بالدفعات؛ لكنه وضع سيئ لأي استخدام تفاعلي، ولهذا تبيع Mistral نموذجًا منفصلًا للزمن الحقيقي.

العائلة، كما تم شحنها في 20 أكتوبر:

• Voxtral Small Transcribe 3 — أكثر من 50 لغة، وتمييز المتحدثين، وتحييز السياق، و0.004 دولار لكل دقيقة (4.00 دولارات لكل 1,000 دقيقة). الخيار الأدق.

• Voxtral Mini Transcribe 3 — 4 مليارات معامل، أكثر من 50 لغة، 0.0035 دولار للدقيقة. يسجّل معدل خطأ في الكلمات (WER) بنسبة 2.2% على نفس لوحة التصنيف — متكافئ إحصائياً مع نموذج Small بتكلفة أقل بنسبة 12.5%، مما يجعل العلاوة السعرية لفئة Small صعبة التبرير على أساس الدقة وحدها.

• Voxtral Mini Transcribe Realtime 3 — بثّ مباشر، مع زمن استجابة أقل من 500 مللي ثانية كما يُزعم، بسعر 0.008 دولار في الدقيقة. تقول صفحة Mistral نفسها إن هذا النموذج يدعم «أكثر من 35 لغة» و«أكثر من 40 لغة» في مكانين مختلفين؛ ولم يختبر أي طرف خارجي أيّهما الصحيح.

• Voxtral 3 TTS — تركيب دفعي وفي الوقت الفعلي بسعر 13 دولارًا لكل مليون حرف، وأكثر من 35 لغة و50 لهجة. النموذج الذي يسميه جدول أسعار Mistral "Voxtral Speech 3" وتدرجه وثائقه باسم voxtral-mini-tts-3-0.

في تقييم FLEURS 45 الخاص بـ Mistral، يُبلِغ Voxtral Small Transcribe 3 عن نسبة WER قدرها 4.1% مع لغة مفروضة و4.0% مع لغة مستنتَجة. هذا معيار قياس مختلف عن المعيار الذي تشغّله Artificial Analysis، ولهذا تعرض صفحة البائع 4% بينما تعرض اللوحة المستقلة 2.1%. لا أحد الرقمين خاطئ؛ فاقتباسهما في الجملة نفسها دون تحديد أيّهما أيّ هو ما يجعل تغطية الإطلاق تخطئ. وتدّعي Mistral أيضًا أنها تحقق أقل خطأ في فصل المتحدثين ضمن مجموعة المقارنة الخاصة بها عند 18.4% cpWER و94.6% في استدعاء العبارات المفتاحية مع التحيّز السياقي، ارتفاعًا من 81.4% بدونه — وفق ما أبلغ عنه البائع، ولم يُعَد إنتاجه.

نموذج الصوت في مرتبة متوسطة بين المنافسين، والسعر هو من يخوض الجدال نيابةً عنه.

تُصوّر منشورة Mistral الاجتماعية إطلاق TTS على أنه يدخل ضمن أفضل اثني عشر في كلتا ساحتَي تحويل النص إلى كلام. أما اللوحات المباشرة في 21 أكتوبر فتروي قصة أقل حدة قليلاً: يحتل Voxtral 3 TTS المرتبة 13 في Provider Voice بـ 1,217 من Elo (فاصل ثقة 95% من 1,202 إلى 1,232، وهو نطاق تعادل يمتد من المرتبة 11 إلى 17)، والمرتبة 14 في Controlled Voice بـ 1,066 من Elo (نطاق تعادل يمتد من 10 إلى 19). بعبارة أخرى، هو ضمن أفضل خمسة عشر في كليهما — كما تتداخل فترات الثقة مع خمسة نماذج أخرى، لذا فإن المرتبة الدقيقة ليست حقيقة مستقرة. هذا هو اليوم الثاني للنموذج على اللوحة، وعدد عيناته، 1,619 مقارنة، أقل بكثير من 3,000+ التي جمعها المتصدرون.

ما يظل ثابتًا هو الجوار. عند 1,217 من Elo، يأتي Voxtral 3 TTS في مستوى Realtime TTS-2 Flash وStepAudio 2.5 TTS، متقدمًا على ElevenLabs Eleven v3 عند 1,182، ومتأخرًا عن Cartesia Sonic 3.6 عند 1,289، وQwen-Audio-3.1-TTS-Plus عند 1,299 وElevenLabs Eleven v4 عند 1,328.

هناك أمران بشأن هذا الترتيب جديران بالقول صراحةً. أولًا، يُعدّ Voxtral 3 T​TS تحسنًا واضحًا من جيل إلى جيل بالنسبة لـ Mistral: فقد سجّل Voxtral T​TS من مارس 2026 نتيجة 1,090 على اللوحة نفسها، أي قفزة بمقدار 127 نقطة. ثانيًا، لم تسدّ هذه القفزة الفجوة مع الطليعة. كان نموذج Mistral السابق بعيدًا بفارق كبير؛ أما النموذج الجديد ففي منتصف المجموعة.

ما الذي يشتريه 13 دولارًا لكل مليون حرف فعليًا

السعر هو النقطة التي يصبح فيها هذا الإصدار مثيرًا للاهتمام، وهو أيضًا الموضع الذي قد تُضلّلك فيه القراءة المباشرة للبيان الصحفي. بسعر $13 لكل مليون حرف، تكلّف Voxtral 3 T​TS نحو $0.70 لكل ساعة من الكلام المولّد، بافتراض نحو 900 حرف لكل دقيقة منطوقة. تبلغ تكلفة Cartesia Sonic 3.6 $2.65 في الساعة عند $49، وتبلغ تكلفة ElevenLabs Eleven v4 $4.32 عند $80، وتبلغ تكلفة Q​wen-Audio-3.0-T​TS-Plus $1.04 عند $19.31. مقابل الفئة المتميزة، يكون التوفير حقيقيًا وكبيرًا.

في مواجهة فئة القيمة، ليس انتصارًا ساحقًا. يحتل Simba 3.2 المرتبة #10 برصيد 1,245 إيلو — أعلى بـ28 نقطة من Voxtral 3 TTS — بسعر 6.6 دولارات لكل مليون حرف، أي نصف السعر. يسجل Realtime TTS-2 Flash النتيجة نفسها البالغة 1,217 إيلو بسعر 10.4 دولارات. ويسجل Gemini 3.8 Flash-Lite TTS النتيجة 1,250 بسعر 11 دولارًا. وفق نسبة تقريبية للإيلو لكل دولار، وهي تعامل الإيلو كخطّي بينما ليس كذلك، وينبغي قراءتها كترتيب تقريبي لا كقياس، يقع Voxtral 3 TTS عند نحو 94 نقطة لكل دولار مقابل 189 لـ Simba 3.2 و118 لـ Realtime TTS-2 Flash.

الملخص الصادق هو أن Mistral سعّرت النموذج ليكون قابلاً للدفاع عنه بدلاً من أن يكون مُخلّاً بالسوق. فهو يقلّ في السعر عن كل نموذج يتفوّق عليه بأكثر من 50 نقطة Elo، ويخسر في القيمة أمام ثلاثة نماذج على الأقل تتفوّق عليه في الجودة. هذا إطلاق عادي، وليس حدث إعادة تسعير.

تتجلى أهمية التوجيه هنا في إبقاء تلك المقارنة حيّة بدلًا من حفظها في جدول بيانات. يشغّل OrcaRouter واجهة API واحدة لأكثر من 200 نموذج ويمرّر سعر القائمة لدى المزوّد دون هامش ربح (0%)، لذا عندما يغيّر مورّد مثل Mistral سعرًا، يتحرّك الرقم الذي يراه كودك معه، ويصبح تبديل نقطة نهاية التوليد خلف خط أنابيب صوتي تغييرًا في الإعدادات بدلًا من عقد ثانٍ. أما كون Voxtral 3 T​TS ينتمي إلى ذلك الخط فهي مسألة منفصلة عن كونه أفضل نموذج على لوحة الصدارة — وهو اليوم ليس كذلك على لوحة الصدارة.

الجزء من الإصدار الذي ليس نموذجًا

قد لا يكون أكثر ما له أثر مما أطلقته Mistral في 20 أكتوبر هو أيٌّ من النموذجين المقيَّمين. تأتي العائلة مع مجموعة أدوات تطوير برمجيات (SDK) لوكيل صوتي مبنية على LiveKit، تدعم الاتصالات الهاتفية عبر SIP، وWebRTC، والرد التفاعلي الصوتي IVR، وتكاملات مراكز الاتصال، مع ادعاء بأن دورة وكيل كاملة تستغرق أقل من ثانية ومعالجة للمقاطعة. وتُسعِّر Mistral حلقة الوكيل كاملة — إدخال صوتي، واستنتاج، وإخراج صوتي — بـ0.04 دولار في الدقيقة عندما يكون نموذج الاستنتاج هو Mistral Small 4، أو 0.08 دولار في الدقيقة مع نموذج استنتاج مختلف.

تلك الحزمة المُحسوبة بالدقيقة وحدة مختلفة عن سعر تحويل النص إلى كلام (TTS) المُحسوب لكل حرف، والمقارنة المباشرة بينهما خطأ شائع. فالوكيل الصوتي الذي يتحدث لمدة 30 ثانية من مكالمة مدتها دقيقة واحدة يستهلك نحو 4,500 حرف من التركيب الصوتي، وهو ما يكلف، بسعر 13 دولارًا لكل مليون، أقل من ستة سنتات — لذا فإن الحزمة بسعر 0.04 دولار تنافس تجميع الأجزاء بنفسك، بشرط أن تكون راغبًا في نموذج الاستدلال الخاص بـ Mistral على أي حال. كما أن الحزمة هي أيضًا حيث تُبرر حجة التجاوز الاحتياطي وجودها في بيئة الإنتاج: فالوكيل الصوتي الذي تكون نقطة نهاية التركيب الصوتي لديه معطلة هو خط هاتف صامت، وجزء الاستدلال في ذلك المسار هو بالضبط نوع الشيء الذي صُمم راوتر مزوّد بـالتجاوز التلقائي للفشل من أجله.

ما لم توفّره Mistral هو الأوزان المفتوحة. تصف صفحة Voxtral 3 الوصول عبر API، وساحات Studio، والنشر الذاتي على بنية تحتية خاصة، لكنها لا تذكر أبدًا أن الأوزان قابلة للتنزيل. أُطلق Voxtral TTS في مارس على Hugging Face بموجب CC BY-NC 4.0؛ ولا شيء في هذا الإصدار يكرر ذلك. إذا كانت الاستضافة الذاتية مطلبًا، فإن هذا الجيل لا يلبي ذلك حاليًا.

ثلاثة أمور لم يقسها أحد بعد

غياب رقم منشور لزمن الاستجابة في Voxtral 3 T​TS هو الفجوة الأبرز في مواد الإطلاق. تذكر Mistral أقل من 500 مللي ثانية للنسخ في الوقت الفعلي وأقل من ثانية واحدة لدورة وكيل كاملة، لكنها لا تقدم زمن الوصول إلى أول مقطع صوتي لعملية التوليد، وهو الرقم الذي يحدد ما إذا كان وكيل الصوت يبدو محادثيًا. وتفيد Artificial Analysis بأن متوسط زمن التوليد الوسيط يبلغ 7.2 ثانية ومتوسط معدل الإنتاجية الوسيط 112 حرفًا في الثانية، وكلاهما يصف التصيير الدفعي لا سلوك البث. إن معدل إنتاجية وسيطًا قدره 112 حرفًا في الثانية معدل محترم — أسرع من 56 لدى ElevenLabs Eleven v3 وأبطأ من 145 لدى Sonic 3.6 — لكنه لا يقول شيئًا عن أول 200 مللي ثانية.

يُعدّ استنساخ الصوت الفجوة الثانية. فتكييف "Pro Voice" من Mistral يعيد إنتاج شخصية المتحدث ونطاقه العاطفي من 30 دقيقة من الصوت. وهذه عملية بمستوى الاستوديو، وليست الاستنساخ الفوري في عشر ثوانٍ الذي تعلن عنه Cartesia أو الاستنساخ في ثلاثين ثانية الذي تقدمه ElevenLabs، وهو ما يضع Voxtral 3 T​TS في مكانة مخصصة للأصوات التجارية بدلًا من أعمال الشخصيات التي ينشئها المستخدمون.

الثالث هو التحمّل. لا تذكر مواد Mistral الخاصة بها أي حد أقصى لطول التوليد لنقطة نهاية TTS، وعينات arena عبارة عن مقاطع قصيرة. السرد الطويل هو المجال الذي قد يظل فيه نموذج Elo من منتصف الترتيب هو الإجابة الصحيحة إذا حافظ على التماسك طوال عشر دقائق، ولم ينشر أحد ذلك الاختبار.

القراءة المنصفة ليوم 20 أكتوبر هي أن Mistral طرحت منافسًا حقيقيًا في مجال النسخ، ونموذج TTS جيدًا بما يكفي ليدخل القائمة المختصرة ورخيصًا بما يكفي ليُجرَّب. لوحة النسخ هي حيث اكتسبت الشركة عنوانًا رئيسيًا. أما لوحة التوليد فهي حيث اشترت عنوانًا.