Mistrals Voxtral 3 bringt ein Transcribe-Modell auf Platz 3 und eine Stimme für 13 Dollar

Die Zahl, mit der man beginnen sollte, ist 2,1 %. Das ist die Wortfehlerrate, die Artificial Analysis für Voxtral Small Transcribe 3 gemessen hat, was Mistrals neues Spracherkennungsmodell mit Stand vom 21. Oktober 2026 auf Platz drei der unabhängigen Speech-to-Text-Rangliste setzt — nur hinter A​libaba's Fun-Realtime-ASR-preview mit 1,7 % und Microsofts MAI-Transcribe-2 mit 2,0 % sowie vor ElevenLabs Scribe v2 mit 2,2 %. Das am 20. Oktober veröffentlichte Release umfasste außerdem Voxtral 3 T​TS, ein Synthesemodell zum Preis von 13 US-Dollar pro Million Zeichen, das auf der Provider Voice arena den dreizehnten Platz und auf der Controlled Voice arena den vierzehnten Platz belegt. Eines dieser Ergebnisse ist ein echter Sprung nach oben in der Tabelle. Das andere ist ein kompetenter Mittelfeldbeitrag mit aggressivem Preisschild, und die Kluft zwischen der Art, wie die beiden angekündigt wurden, und der Art, wie sie tatsächlich abgeschnitten haben, ist das Nützlichste an der Markteinführung. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem werden im OrcaRouter AI Incident Archive gesammelt, wobei jeder Eintrag eigene Quellen, einen Schweregrad, eine Konfidenzstufe und ein Umstritten-Kennzeichen enthält.

Alles Folgende trennt drei Arten von Aussagen: Zahlen aus den Blindhör- und Transkriptions-Boards von Artificial Analysis (unabhängig), Zahlen von Mistrals eigener Launch-Seite (vom Anbieter gemeldet) und Berechnungen, die hier aus veröffentlichten Preisen angestellt wurden. Sie sind nicht austauschbar, und die Launch-Seite präsentiert sie auf eine Weise, die es leicht macht, sie miteinander zu verwechseln.

Das Transkriptionsergebnis ist das, was Mistral tatsächlich in der Rangliste nach oben bringt.

Voxtral Small Transcribe 3 ist das Flaggschiff der aus vier Modellen bestehenden Familie und der einzige Teil der Veröffentlichung mit einer unabhängigen Bewertung, die die etablierten Anbieter klar schlägt. Mit 2,1 % WER liegt es 0,1 Punkte hinter Microsofts MAI-Transcribe-2 und 0,1 Punkte vor Scribe v2 – Abstände, die deutlich innerhalb der Schwankungsbreite eines einzelnen Evaluierungsdatensatzes liegen, aber ausreichen, um Mistral eher an der Tabellenspitze als im Verfolgerfeld zu platzieren.

Die Geschwindigkeitskennzahl ist die überraschendere Hälfte. Artificial Analysis misst einen medianen Geschwindigkeitsfaktor von 66,6 für Voxtral Small Transcribe 3, gegenüber 20,3 für das am höchsten eingestufte Fun-Realtime-ASR-preview und 308,8 für MAI-Transcribe-2. Einfach gesagt: Mistrals Modell transkribiert etwa 67 Minuten Audio pro Minute Rechenzeit – viermal langsamer als Microsofts Modell und dreimal schneller als das von Alibaba. Günstig, präzise und mäßig langsam ist eine durchaus gute Kombination für die Batch-Transkription; für alles Interaktive ist es eine schlechte Kombination, weshalb Mistral ein separates Echtzeitmodell verkauft.

Die Familie, wie sie am 20. Oktober ausgeliefert wurde:

• Voxtral Small Transcribe 3 — 50+ Sprachen, Diarisierung, Kontext-Bias, 0,004 $ pro Minute (4,00 $ pro 1.000 Minuten). Die Wahl für Genauigkeit.

• Voxtral Mini Transcribe 3 — 4B Parameter, 50+ Sprachen, 0,0035 $ pro Minute. Erreicht 2,2 % WER auf demselben Board — statistisch gleichauf mit dem Small-Modell bei 12,5 % geringeren Kosten, was den Aufpreis der Small-Stufe allein aufgrund der Genauigkeit schwer rechtfertigen lässt.

• Voxtral Mini Transcribe Realtime 3 — Streaming, Latenz von unter 500 ms wird versprochen, 0,008 US-Dollar pro Minute. Mistrals eigene Seite nennt für dieses Modell an zwei verschiedenen Stellen sowohl „35+ Sprachen“ als auch „40+ Sprachen“; niemand von außerhalb hat getestet, welche Angabe richtig ist.

• Voxtral 3 TTS — Batch- und Echtzeitsynthese für 13 US-Dollar pro Million Zeichen, 35+ Sprachen und 50+ Dialekte. Das Modell, das Mistrals Preistabelle „Voxtral Speech 3“ nennt und dessen Dokumentation als voxtral-mini-tts-3-0 führt.

In Mistrals eigener FLEURS-45-Evaluierung meldet Voxtral Small Transcribe 3 4,1 % WER bei erzwungener Sprache und 4,0 % bei inferierter Sprache. Das ist ein anderer Benchmark als der, den Artificial Analysis ausführt, weshalb die Anbieterseite 4 % zeigt und das unabhängige Board 2,1 %. Keine der beiden Zahlen ist falsch; sie im selben Satz zu zitieren, ohne zu sagen, welche welche ist, ist der Weg, auf dem Launch-Berichterstattung schiefgeht. Mistral behauptet außerdem den niedrigsten Diarisierungsfehler in seinem Vergleichsset mit 18,4 % cpWER und 94,6 % Keyphrase-Recall mit Context Biasing, gegenüber 81,4 % ohne – vom Anbieter berichtet, nicht reproduziert.

Das Sprachmodell ist Mittelmaß, und der Preis erledigt die Überzeugungsarbeit.

Mistrals Social-Media-Beitrag stellt den TTS-Start als Einstieg in die Top zwölf beider Text-to-Speech-Arenen dar. Die Live-Ranglisten vom 21. Oktober erzählen eine etwas mildere Geschichte: Voxtral 3 TTS liegt auf Provider Voice auf #13 mit 1.217 Elo (95%-Intervall 1.202–1.232, ein zusammenhängender Gleichstandsbereich, der die Ränge 11 bis 17 umfasst) und auf Controlled Voice auf #14 mit 1.066 Elo (ein zusammenhängender Gleichstandsbereich, der die Ränge 10 bis 19 umfasst). Mit anderen Worten: Es ist in beiden unter den besten fünfzehn – und die Konfidenzintervalle überschneiden sich mit denen von fünf anderen Modellen, sodass der genaue Rang keine stabile Tatsache ist. Dies ist der zweite Tag des Modells in der Rangliste, und sein Stichprobenumfang – 1.619 Vergleiche – liegt deutlich unter den über 3.000, die die Spitzenreiter angesammelt haben.

Stabil ist die Nachbarschaft. Mit 1.217 Elo liegt Voxtral 3 T​TS gleichauf mit Realtime T​TS-2 Flash und StepAudio 2.5 T​TS, vor ElevenLabs Eleven v3 mit 1.182 und hinter Cartesia Sonic 3.6 mit 1.289, Q​wen-Audio-3.1-T​TS-Plus mit 1.299 und ElevenLabs Eleven v4 mit 1.328.

Zwei Dinge zu dieser Platzierung sollten klar ausgesprochen werden. Erstens ist Voxtral 3 T​TS für Mistral eine deutliche Verbesserung von Generation zu Generation: Das Voxtral T​TS vom März 2026 erzielte auf demselben Board 1.090 Punkte, das ist ein Sprung um 127 Punkte. Zweitens hat der Sprung die Lücke zur Frontier nicht geschlossen. Mistrals vorheriges Modell lag weit zurück; das neue ist im Mittelfeld.

Was man für 13 Dollar pro Million Zeichen tatsächlich bekommt

Der Preis ist der Punkt, an dem diese Veröffentlichung interessant wird, und an dem eine wörtliche Lesart der Pressemitteilung Sie in die Irre führen wird. Bei 13 US-Dollar pro Million Zeichen kostet Voxtral 3 T​TS etwa 0,70 US-Dollar pro Stunde generierter Sprache, unter der Annahme von ungefähr 900 Zeichen pro gesprochener Minute. Cartesia Sonic 3.6 kostet 2,65 US-Dollar pro Stunde bei einem Preis von 49 US-Dollar, ElevenLabs Eleven v4 kostet 4,32 US-Dollar bei 80 US-Dollar, und Q​wen-Audio-3.0-T​TS-Plus kostet 1,04 US-Dollar bei 19,31 US-Dollar. Gegenüber der Premium-Klasse ist die Ersparnis real und groß.

Gegenüber der Value-Kategorie ist das kein Knockout. Simba 3.2 liegt mit 1.245 Elo auf Platz 10 – 28 Punkte über Voxtral 3 T​TS – bei 6,6 $ pro Million Zeichen, zum halben Preis. Realtime T​TS-2 Flash erreicht dieselben 1.217 Elo bei 10,4 $. Gemini 3.8 Flash-Lite T​TS erreicht 1.250 bei 11 $. In einem groben Elo-pro-Dollar-Verhältnis, das Elo als linear behandelt, obwohl es das nicht ist, und eher als grobe Einordnung denn als Messung gelesen werden sollte, kommt Voxtral 3 T​TS auf etwa 94 Punkte pro Dollar gegenüber 189 für Simba 3.2 und 118 für Realtime T​TS-2 Flash.

Die ehrliche Zusammenfassung ist, dass Mistral das Modell so bepreist hat, dass es verteidigungsfähig statt disruptiv ist. Es unterbietet jedes Modell, das es um mehr als 50 Elo schlägt, und verliert beim Preis-Leistungs-Verhältnis gegen mindestens drei Modelle, die es an Qualität übertreffen. Das ist ein normaler Launch, kein Preisanpassungsereignis.

Worauf es beim Routing hier ankommt, ist, diesen Vergleich lebendig zu halten statt in einer Tabellenkalkulation. OrcaRouter betreibt eine einzige API für über 200 Modelle und gibt die Listenpreise der Anbieter mit 0 % Aufschlag weiter. Wenn ein Anbieter wie Mistral also einen Tarif ändert, bewegt sich die Zahl, die Ihr Code sieht, mit – und den Synthese-Endpunkt hinter einer Voice-Pipeline auszutauschen, ist eine Konfigurationsänderung statt eines zweiten Vertrags. Ob Voxtral 3 T​TS in diese Pipeline gehört, ist eine andere Frage als die, ob es das beste Modell im Feld ist – und im Feld ist es das heute nicht.

Der Teil des Releases, der kein Modell ist

Das folgenreichste, was Mistral am 20. Oktober veröffentlichte, ist möglicherweise keines der beiden bewerteten Modelle. Die Familie wird mit einem auf LiveKit basierenden Voice-Agent-SDK geliefert, das SIP-Telefonie, WebRTC, IVR und Contact-Center-Integrationen unterstützt, mit einem behaupteten vollständigen Agent-Turn unter einer Sekunde und Barge-in-Unterstützung. Mistral berechnet für die gesamte Agent-Schleife – Sprache rein, Reasoning, Sprache raus – 0,04 US-Dollar pro Minute, wenn das Reasoning-Modell Mistral Small 4 ist, bzw. 0,08 US-Dollar pro Minute mit einem anderen Reasoning-Modell.

Dieses Paket pro Minute ist eine andere Einheit als ein TTS-Preis pro Zeichen, und die beiden direkt zu vergleichen ist ein häufiger Fehler. Ein Voice-Agent, der in einem einminütigen Anruf 30 Sekunden lang spricht, verbraucht rund 4.500 Zeichen Synthese, was bei 13 $ pro Million weniger als sechs Cent ergibt – das 0,04-$-Paket ist also wettbewerbsfähig gegenüber dem Selbstzusammenbau der Teile, vorausgesetzt, man wollte ohnehin Mistrals Reasoning-Modell. Das Paket ist auch der Punkt, an dem das Failover-Argument in der Produktion seine Berechtigung zeigt: Ein Voice-Agent mit einem toten Synthese-Endpunkt ist eine stille Telefonleitung, und der Reasoning-Zweig dieser Pipeline ist genau das, wofür ein Router mit automatischem Failover gedacht ist.

Was Mistral nicht ausgeliefert hat, sind offene Gewichte. Die Voxtral-3-Seite beschreibt API-Zugang, Studio-Playgrounds und Self-Deployment auf privater Infrastruktur, sagt aber nie, dass die Gewichte herunterladbar sind. Das im März veröffentlichte Voxtral T​TS erschien auf Hugging Face unter CC BY-NC 4.0; nichts in diesem Release wiederholt das. Wenn Self-Hosting eine Anforderung ist, erfüllt diese Generation sie derzeit nicht.

Drei Dinge, die noch niemand gemessen hat

Das Fehlen einer veröffentlichten Latenzangabe für Voxtral 3 TTS ist die deutlichste Lücke im Launch-Material. Mistral nennt unter 500 ms für Echtzeit-Transkription und unter einer Sekunde für einen kompletten Agent-Turn, aber keine Time-to-First-Audio für die Synthese – und genau diese Zahl entscheidet, ob sich ein Voice-Agent wie im Gespräch anfühlt. Artificial Analysis meldet eine mediane Generierungszeit von 7,2 Sekunden und einen medianen Durchsatz von 112 Zeichen pro Sekunde; beides beschreibt Batch-Rendering und nicht Streaming-Verhalten. Ein Median von 112 Zeichen pro Sekunde ist respektabel – schneller als die 56 von ElevenLabs Eleven v3 und langsamer als die 145 von Sonic 3.6 –, sagt aber nichts über die ersten 200 Millisekunden aus.

Voice Cloning ist die zweite Lücke. Mistrals „Pro Voice“-Adaption reproduziert den Charakter und die emotionale Bandbreite eines Sprechers anhand von 30 Minuten Audio. Das ist ein Verfahren auf Studio-Niveau, nicht der Zehn-Sekunden-Instant-Clone, mit dem Cartesia wirbt, oder der Dreißig-Sekunden-Clone, den ElevenLabs anbietet, und es positioniert Voxtral 3 T​TS für Markenstimmen statt für nutzergenerierte Charakterarbeit.

Der dritte Punkt ist Ausdauer. Mistrals eigene Materialien nennen keine maximale Generierungslänge für den T​TS-Endpunkt, und die Arena-Samples sind kurze Clips. Bei langformatiger Narration kann ein Modell aus dem Mittelfeld der Elo-Wertung immer noch die richtige Antwort sein, wenn es über zehn Minuten hinweg Kohärenz hält, und niemand hat diesen Test veröffentlicht.

Die faire Lesart des 20. Oktober ist, dass Mistral einen echten Konkurrenten im Bereich Transkription und ein TTS-Modell veröffentlicht hat, das gut genug für die Shortlist und günstig genug zum Ausprobieren ist. Auf dem Transkriptions-Board hat sich das Unternehmen eine Schlagzeile verdient. Auf dem Synthese-Board hat es sich eine gekauft.