Voxtral 3 مقابل Gemini 3.5 Transcribe: تقول Mistral إنها تتفوق في الكلمات — بينما تتفوق Google في الباقي

على المقياس الوحيد الذي يوافق كلا المزوّدين على طباعته، لا يكاد هذان الاثنان يفترقان.Voxtral Small Transcribe 3 — الناسخ الرائد من Mistral ضمن عائلة Voxtral 3 التي صدرت في 20 أكتوبر 2026 — يسجّل معدل خطأ في الكلمات قدره 2.1% على لوحة Artificial Analysis غير المتدفقة.Gemini 3.5 Transcribe، الذي يقدّمه Google بصفته نموذجًا متاحًا للعموم منذ 26 أغسطس 2026، يسجّل 2.6% على اللوحة نفسها. خمسة أعشار النقطة تعني نحو خمسة أخطاء إضافية لكل ألف كلمة. لكن هذا ليس سبب الاختيار. الأسباب كلها فيما هو أبعد من الكلمات: فـ Gemini يفصل المتحدثين حتى ثمانية متحدثين، ويقبل ألف مصطلح مخصص للمفردات، وينظّف التلعثم ويحلّ التصحيحات الذاتية في تمريرة واحدة، ويغطي أكثر من 85 لغة ومنطقة. أما Voxtral فيؤدي فصل المتحدثين على نحو أفضل بشكل قابل للقياس وفق جدوله الخاص، ويغطي أكثر من 50 لغة، ويقلّل سعر Google لكل دقيقة. تتناول هذه الصفحة أيًّا من تلك الفروق يصل فعليًا إلى خط أنابيب المعالجة لديك.لا تسجّل معدلات خطأ الكلمات كيفية تعثّر واجهة برمجة النسخ لدى أي من المزوّدين تحت الحمل، وتلك الحوادث موثّقة في أرشيف حوادث OrcaRouter AI حيث يحمل كل مدخل مصادره ودرجة خطورته ودرجة ثقته وعلامة كونه محلّ خلاف.

ما الذي يبيعه كل واحد

إطار Mistral لـ Voxtral Small Transcribe 3 هو الدقة بالإضافة إلى إسناد المتحدثين. وهو "نموذج النسخ وتمييز المتحدثين الرائد" في العائلة، وينفذ الطوابع الزمنية وتمييز المتحدثين أصلاً، كما يقوم بالترجمة، والأسئلة والأجوبة الصوتية، والتلخيص، واستدعاء الدوال — وهي طريقة هادئة للقول إنه نموذج لغة صوتية ينسخ بدلاً من كونه أداة نسخ. وبسعر 0.004 دولار للدقيقة مع سياق يبلغ 32 ألف، فإنه يُسعَّر كبديل مباشر لواجهات API النسخ المُدارة.

تتمحور رؤية Google لـ Gemini 3.5 Transcribe حول ما يحدث للنص المنسوخ بعد التعرّف عليه. يحتفظ وضع `verbatim` الافتراضي بحشوات الكلام والبدايات الخاطئة والتكرارات؛ بينما يزيلها وضع `smart` ويطبّق تنسيقًا منظمًا؛ وتوجّه المفردات المخصصة نحو مصطلحاتك الخاصة؛ وتعود الطوابع الزمنية على مستوى الكلمة كتعليقات توضيحية؛ وتصل تسميات المتحدثين بصيغة `spk_1` و`spk_2` وما إلى ذلك. يعمل عبر Interactions API للملفات وعبر SKU منفصل باسم `gemini-3.5-transcribe-live` للبث، ويتضمن طبقة مجانية لا تقدمها Mistral.

ببساطة: تبيع لك Mistral أذنًا أفضل، بينما تبيع لك Google محرّرًا أفضل.

بُعدًا بُعدًا

• الدقة المستقلة — يحقق Voxtral Small Transcribe 3 نسبة 2.1% في AA-WER مقابل 2.6% لـ G​emini 3.5 Transcribe، وكلاهما على لوحة الصدارة غير المتدفقة الخاصة بـ Artificial Analysis. ويعرض جدول FLEURS الخاص بـ Mistral فجوة أوسع: 4.1% للغة المفروضة لـ Voxtral مقابل 6.1% لـ G​emini، لكن 4.0% فقط مقابل 4.5% مع اللغة المستنتجة. وتتفق اللوحة المستقلة مع قراءة اللغة المستنتجة، لذا تعامل مع رقم 6.1% باعتباره الطرف غير المحسوم في جدول Mistral بدلاً من العنوان الرئيسي.

• السعر — 0.004 دولار/دقيقة مقابل 0.005 دولار/دقيقة، وكلاهما من معدلات القائمة المدمجة. أي 240 دولارًا مقابل 300 دولار لكل ألف ساعة صوتية. فرق حقيقي، لكنه ليس حاسمًا بحد ذاته؛ إذ يُمحى فارق 20% بإعادة تشغيل واحدة لدفعة سيئة.

• إسناد المتحدث — يُسجّل Voxtral Small Transcribe 3 نسبة 18.4% في مقياس WER التبادلي الأدنى المدمج على منصة اختبار Mistral، مقابل 38.4% لـ G​emini 3.5 Transcribe على الجدول نفسه الخاص بالمورّد. هذه هي الفجوة الأكبر في منشور الإطلاق، والأرجح أن تكون الأكثر أهمية. ينبغي توضيح ذلك بصدق: كلا الرقمين من Mistral، ومُستخرجان على منصة اختبار Mistral، ولم تنشر G​oogle أي نتيجة مكافئة لتحديد المتحدثين يمكن التحقق منها. إلا أن وثائق G​oogle تكشف عن حدّ أقصى صارم لا يُعدّ معيارًا قياسيًا — ثمانية متحدثين، مع وصف الإسناد بأنه "تجريبي" عند ثلاثة متحدثين أو أكثر — وهو بالنسبة لتفريغ الاجتماعات قيدٌ على مستوى المنتج، لا مسألة جودة.

• تغطية اللغات — Voxtral: أكثر من 50 لغة، بما في ذلك جميع اللغات الرسمية الـ24 في الاتحاد الأوروبي ومجموعة من اللغات الآسيوية والهندية ذات الموارد المحدودة. G​emini: أكثر من 85 لغة/منطقة محلية مع تلميحات BCP-47 والتبديل بين اللغات داخل الجملة. قائمة G​oogle أطول، والأهم من ذلك أنها مُسمّاة — يمكنك التحقق مما إذا كانت لغتك/منطقتك المحلية ضمنها. عبارة "50+" الخاصة بـ Mistral هي عدد دون قائمة.

• حدود الصوت — تحدّ G​emini مدة الصوت في الطلبات الأحادية بساعة واحدة، أو ثلاثين دقيقة عندما تطلب فصل المتحدثين أو الطوابع الزمنية للكلمات. ولا تنشر Mistral أي حد أقصى لطول الصوت الخاص بـ Voxtral Small Transcribe 3 على الإطلاق. هذا الصمت ليس ميزة. إذا كنت تعالج ملفات طويلة، فإن G​emini هي الوحيدة من بين الاثنين التي يمكنك ضبط قائمة انتظار المهام بناءً عليها دون سؤال فريق المبيعات.

• التحكم في المفردات — يقبل Gemini ما يصل إلى 1,000 مصطلح مخصص (وأفضل النتائج تتحقق عند نحو 100 مصطلح)، ويحذر صراحةً من أنه لا يمكن الجمع بين المفردات المخصصة والتشخيص الصوتي (diarization) أو الطوابع الزمنية للكلمات. ويعتمد التحيز السياقي في Voxtral على المصطلحات الأساسية والنص الحر، وتفيد Mistral بأن استدعاء العبارات المفتاحية بلغ 94.6% مع التوجيه مقابل 81.4% بدونه. ولاحظ طبيعة هذا الادعاء: فهو استدعاء مع التحيز، وليس أخطاء مع التحيز، وهو مُبلَّغ من الجهة المورّدة.

• معالجة التصحيحات الذاتية — تُحلّ وضعية `smart` في G​emini التصحيحات الذاتية وتُطبّع الأرقام المنطوقة والعملات. ولا تقدّم Mistral أي وضعية موثّقة مكافئة. إذا كان ملفك الصوتي مقابلات أو كلامًا من مركز اتصال مليئًا بعبارات مثل "لا، انتظر، كنت أقصد"، فهذه هي السمة الوحيدة الأرجح أن تحسم الاختيار.

• البث المباشر — تمتلك G​emini وحدة SKU مباشرة بتكلفة تبلغ نحو 0.009 دولار/دقيقة كمعدل مُجمَّع. أما طبقة البث لدى Voxtral فهي نموذج مختلف، هو Voxtral Mini Transcribe Realtime 3، بتكلفة 0.008 دولار/دقيقة مع زمن استجابة قابل للضبط من 80 إلى 2,400 مللي ثانية. ولا يُعد نموذج البث لدى أيٍّ من المورّدين هو الطراز الرائد في الدقة، لذا فإن مقارنة دقة البث بأرقام المعالجة الدفعية الواردة أعلاه تُعد خطأً في التصنيف.

• النضج — أصبح G​emini 3.5 Transcribe متاحًا بشكل عام (GA) منذ 26 أغسطس 2026، ولديه درجة WER مستقلة على لوحة نتائج عامة. أما Voxtral Small Transcribe 3 فهو في معاينة عامة اعتبارًا من 20 أكتوبر 2026، دون سجل لوقت التشغيل، ودون تاريخ GA، ودون التزام منشور بأن سعر المعاينة سيستمر.

رقم التمييز بين المتحدثين هو الرقم الذي يجب اختباره.

إذا كانت هناك جملة واحدة في هذه المقارنة ينبغي أن تدفعك إلى تسجيلاتك الصوتية الخاصة، فهي هذه: تدّعي Mistral خطأً في تمييز المتحدثين بنسبة 18.4% مقابل 38.4% لدى Gemini، ولا تنشر Google أي رقم مضاد. هذه فجوة كبيرة بشكل مريب لفارق في فئة الدقة — 2.1% مقابل 2.6% في النسخ العادي لا يتنبأ بفجوة بمقدار الضعف في إسناد المتحدثين. هناك تفسيران متاحان، وبياناتك وحدها هي التي تفصل بينهما. إما أن يكون تمييز المتحدثين في Gemini أضعف فعلاً، وهو ما يتوافق مع سقفه الموثّق البالغ ثمانية متحدثين وملاحظته «التجريبية» لثلاثة متحدثين أو أكثر، أو أن إطار الاختبار الخاص بـ Mistral يجامل نموذجه بطريقة لن تعيد إنتاجها إعادة تشغيل محايدة.

اختبار عملي: خذ أربعين دقيقة من أسوأ تسجيل صوتي متعدد المتحدثين لديك — تداخل كلام، ومتحدث عبر خط هاتف، وعلى الأقل موضع واحد يتحدث فيه شخصان في آن واحد — وشغّل كليهما، واحسب عدد تبديلات المتحدثين بدلًا من أخطاء الكلمات. يستغرق هذا بعد ظهيرة كاملًا ويحسم ادعاءً لا يستطيع أي من البائعين حسمه لك.

ما التكلفة الفعلية للنصوص المنسوخة على نطاق واسع

طبّق الحساب على منظمة دعم تسجّل {{1}}4,000{{/1}} ساعة شهريًا. بمعدل $0.004/دقيقة، تصل تكلفة Voxtral Small Transcribe 3 إلى ${{2}}960{{/2}}. وبمعدل $0.005/دقيقة، تصل تكلفة G​emini 3.5 Transcribe إلى ${{3}}1,200{{/3}}. الفجوة الشهرية البالغة ${{4}}240{{/4}} حقيقية، وهي تقريبًا تكلفة {{5}}ساعة عمل مهندس واحدة لكل يوم عمل{{/5}}، وهذا هو الأسلوب الصحيح لتقييمها: ذات معنى مقابل بديل مستضاف ذاتيًا لا تكلفك عملياته شيئًا، وغير ذات صلة إذا كان وضع `smart` في G​emini يزيل خطوة معالجة لاحقة كنت ستدفع مقابلها لولا ذلك.

خطوة المعالجة اللاحقة هذه هي حيث تنهار مقارنة الأسعار عادةً. النص الخام الذي يحتوي على حشو وتصحيحات ذاتية غير محسومة يحتاج إلى تمريرة تنظيف — إما طبقة تعبيرات نمطية تتولى صيانتها أو استدعاء LLM لكل ملف. أما النص النظيف المزوّد بعلامات ترقيم والموسوم بأسماء المتحدثين من G​emini فلا يحتاج إلى ذلك. إذا كانت خط أنابيبك تستهلك حاليًا استدعاء نموذج لغوي لكل نص لإصلاح التنسيق، فأدرج ذلك الاستدعاء في المقارنة قبل أن تستنتج أن Mistral أرخص بنسبة 20%.

بالنسبة للفرق التي تريد كليهما — تمييز المتحدثين من Mistral في المكالمات التي يهم فيها المتحدثون، وتنظيف Gemini للأرشيف الضخم — فالقيد عادةً هو المفاتيح والمورّدون وليس المال. لا يتضمن كتالوج نماذج OrcaRouter حاليًا أيًا من Voxtral 3 أو Gemini 3.5 Transcribe، لذا فإن هذا الاقتران بعينه لا يزال يعني عقدين. ما نساعد فيه فعلاً هو الطبقة الأعلى: نموذج الاستدلال الذي يلخّص تلك النصوص أو يوجّهها يمكن أن يأتي من نقطة نهاية واحدة مع تجاوز فشل تلقائي، بحيث لا يؤدي اختيار مورّد الكلام أيضًا إلى قفل اختيار النموذج اللاحق لديك.

حكم

اختر Voxtral Small Transcribe 3 إذا كانت مشكلتك هي المتحدثون وكانت لغاتك أوروبية — فادعاء فصل المتحدثين، واللغات الـ24 للاتحاد الأوروبي، والسعر الأقل بنسبة 20% تشير كلها في الاتجاه نفسه، كما أن نسبة خطأ الكلمات (WER) البالغة 2.1% على لوحة تقييم مستقلة تعني أنك لا تضحي بالدقة مقابل ذلك. اختر G​emini 3.5 Transcribe إذا كانت مشكلتك هي النص نفسه: التصحيحات الذاتية، والتنسيق، وقائمة كبيرة من اللغات/المناطق المحلية المسمّاة، وحدّ منشور لطول الصوت يمكنك التخطيط للسعة بناءً عليه. الشيء الوحيد الذي لن أفعله هو أن أعتمد الاختيار على فارق 0.5 نقطة في WER. فهو أصغر من التباين بين التشغيلات المتتالية على أي لوحة، وكلتا الشركتين تنشران الرقم الذي يناسبهما من نفس عائلة التقييمات.

السؤال المفتوح هو ما يحدث عندما يخرج Voxtral Small Transcribe 3 من مرحلة المعاينة. إذا حافظت Mistral على سعر 0.004 دولار وأكّدت إعادة تشغيل مستقلة لتحديد المتحدثين فجوة الـ18 نقطة، فإن هذا يتوقف عن كونه قرارًا متقاربًا لأي شخص يعمل في تحليلات الاجتماعات أو المكالمات. وإذا تغيّر السعر عند الإتاحة العامة، فإن الحجة تعود لتضيق إلى تغطية اللغات وإسناد المتحدثين وحدهما.