Voxtral 3 TTS vs. Voxtral 4B TTS: Das neuere Modell, das Sie nicht herunterladen können

Die unangenehme Tatsache bei Voxtral 3 T​TS ist, dass es besser ist als Voxtral 4B T​TS in fast jeder messbaren Hinsicht und in der einen Hinsicht schlechter, die manche Bereitstellungen entscheidet: Man kann es nicht besitzen. Mistral veröffentlichte Voxtral 4B T​TS am 23. März 2026 als offene Gewichte — mistralai/Voxtral-4B-T​TS-2603 auf Hugging Face, CC BY-NC 4.0, herunterladbar und auf eigenen Beschleunigern ausführbar. Voxtral 3 T​TS kam am 20. Oktober 2026 ausschließlich als API-Produkt auf den Markt. Die Startseite beschreibt EU-, US- und globale Endpunkte, Studio-Playgrounds und die Selbstbereitstellung auf privater Infrastruktur und erwähnt kein einziges Mal, dass die Gewichte verfügbar sind. Der sieben Monate später erschienene Nachfolger ist also auf der Blindhör-Rangliste 127 Elo besser (1.217 gegenüber 1.090), 19 % günstiger mit 13 $ gegenüber 16 $ pro Million Zeichen und etwa 42 % schneller mit 112 gegenüber 79 Zeichen pro Sekunde — und er ist immer noch kein Drop-in-Ersatz für das Modell, das er ablöst, weil das ältere das einzige Mitglied dieser Familie ist, das ein Unternehmen tatsächlich besitzen kann. Die dokumentierten KI-Ausfälle und Agentenvorfälle hinter Veröffentlichungen wie dieser sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und Kennzeichnung als umstritten enthält.

Zwei Modelle, sieben Monate, eine Lizenzgrenze

Diese Grenze sollte präzise benannt werden, bevor irgendein Benchmark erfolgt, denn sie ordnet den gesamten Vergleich neu.

• Voxtral 4B TTS — offene Gewichte unter CC BY-NC 4.0. Nicht kommerziell. Sie dürfen es herunterladen, inspizieren, ausführen und feinabstimmen; Sie dürfen es nicht in einem kostenpflichtigen Produkt ausliefern. Die Beschränkung stammt von den Referenzstimm-Datensätzen, die dahinterstehen, nicht von einer technischen Einschränkung des Checkpoints. Das Selbsthosting für interne Evaluierungen ist in Ordnung; das Selbsthosting in einem kundenorientierten kommerziellen Dienst nicht.

• Voxtral 3 TTS — geschlossen. Stand 21. Oktober 2026 sind keine Gewichte veröffentlicht. „Self-Deployment auf privater Infrastruktur oder in einer privaten Cloud“ auf Mistrals Seite ist ein mit dem Anbieter ausgehandeltes Enterprise-Deployment-Angebot, kein Download-Link, und diese beiden zu verwechseln ist der naheliegendste Fehler beim schnellen Lesen dieser Seite.

Die praktische Konsequenz: Wenn Ihr Grund für den Wunsch nach Voxtral 4B T​TS war, dass die Audiodaten Ihr Netzwerk nie verlassen, ersetzt Voxtral 3 T​TS es nicht, es sei denn, Sie unterschreiben etwas mit Mistral. Wenn Ihr Grund war, dass es günstiger als eine gehostete API ist, ersetzt Voxtral 3 T​TS es preislich und übertrifft es in der Qualität, und die Lizenzfrage entfällt, weil Sie einen Dienst statt einer Datei kaufen. Dieselbe Siebenmonatslücke löst sich unterschiedlich auf, je nachdem, welcher dieser beiden Sätze Ihre Situation beschreibt.

Die Anzeigetafel

Anbieter-Voice-Elo — Voxtral 3 TTS: 1.217 (#13 von 98), 95%-Intervall 1.202–1.232. Voxtral 4B TTS: 1.090 (#46), Intervall 1.078–1.102. Beides laut Artificial Analysis, Stand 21. Oktober 2026.

• Preis pro 1 Million Zeichen — 13,00 $ gegenüber 16,00 $. Bei etwa 900 Zeichen pro gesprochener Minute: 0,70 $ gegenüber 0,86 $ pro Stunde.

• Durchsatz — 112 Zeichen pro Sekunde im Median gegenüber 79, gemessen von Artificial Analysis auf dem nativen Host jedes Modells.

• Sprachen — Voxtral 3 T​TS: 35+ Sprachen und 50+ Dialekte, Presets in 18. Voxtral 4B T​TS: 9 Sprachen — Englisch, Französisch, Deutsch, Spanisch, Niederländisch, Portugiesisch, Italienisch, Hindi, Arabisch, mit Dialektunterstützung.

• Sprachadaption — Voxtral 3 TTS: „Pro Voice“, 30 Minuten Audio. Voxtral 4B TTS: ein 5–25 Sekunden langer Referenz-Prompt, in der Modellkarte als nur 3 Sekunden beschrieben.

• Gewichte — geschlossen versus offen (CC BY-NC 4.0).

Die Sprachabdeckung ist die größte Veränderung, über die niemand geschrieben hat. Voxtral 4B T​TS deckt neun Sprachen ab; das neue Modell gibt 35+ Sprachen und 50+ Dialekte an. Das ist eine Vervierfachung des Produkts und ein stärkeres Argument für das Upgrade als der Elo-Wert: 127 Punkte bringen dich von der Mitte der Rangliste in die Mitte der Rangliste, aber der Wechsel von neun Sprachen auf fünfunddreißig verändert, in welchen Märkten du verkaufen kannst.

Die Voice-Adaptation-Linie läuft in die andere Richtung und ist die eine echte Regression. Voxtral 4B T​TS klont anhand eines kurzen Referenzclips – laut Model Card schon ab drei Sekunden, wobei die Architektur ein Prompt-Fenster von 5–25 Sekunden beschreibt. Pro Voice von Voxtral 3 T​TS verlangt dreißig Minuten Audio, um den Charakter, die emotionale Bandbreite und den Stil eines Sprechers über Sprachen hinweg zu reproduzieren. Dreißig Minuten sind eine Studiosession. Drei Sekunden sind ein Feature. Wenn Ihr Produkt Nutzern erlaubt, ihre eigene Stimme zu hören, ist das neuere Modell bei dieser Aufgabe schlechter.

Was das 4B unter der Haube tatsächlich ist

Die Parameterzahl im Namen des alten Modells beschreibt eine tatsächliche Architektur und erklärt sowohl ihre Stärken als auch, warum der Nachfolger nicht einfach eine größere Version davon ist.

Voxtral 4B T​TS hat rund vier Milliarden Parameter, verteilt auf drei Teile: ein auf Ministral 3B basierendes Transformer-Decoder-Backbone mit 3,4 Mrd. Parametern, einen akustischen Flow-Matching-Transformer mit 390 Mio. Parametern und einen neuronalen Audio-Codec mit 300 Mio. Parametern. Es ist autoregressiv über einen semantischen VQ-Codec mit einem Vokabular von 8.192 Tokens und speist einen Flow-Matching-Kopf, der akustische FSQ-Merkmale über 36 Dimensionen auf 21 Ebenen vorhersagt und mit 12,5 Hz läuft. Einfach gesagt: Ein kleines Sprachmodell liest den Text und plant, ein Flow-Matching-Netzwerk verwandelt diesen Plan in Audiomerkmale und ein Codec verwandelt Merkmale in Samples. Es generiert nativ bis zu zwei Minuten; längere Ausgaben werden durch Interleaving in der API behandelt.

Die von Mistral veröffentlichte Zahl für das März-Modell lag bei 70 Millisekunden Modelllatenz für eine 10-sekündige Sprachprobe und 500 Zeichen, bei einem Echtzeitfaktor von etwa 9,7x. Diese Zahlen wurden auf Mistrals Serving-Stack gemessen, nicht unabhängig, und sie beschreiben ein Modell, das für seine Generation wirklich schnell war. Der Durchsatz des Oktober-Modells bei Artificial Analysis, 112 Zeichen pro Sekunde gegenüber 79, deutet darauf hin, dass der Nachfolger noch schneller ist – aber Mistral veröffentlicht für Voxtral 3 TTS überhaupt keine Zeit bis zum ersten Audio, was für ein Unternehmen, dessen vorheriges TTS-Modell mit einer Latenzangabe voranging, ein seltsames Versäumnis ist.

Zwei Architektur-Generationen sind auch an der Sprachenzahl abzulesen. Neun Sprachen im März, mehr als fünfunddreißig im Oktober, wobei die Transkriptionsmodelle der Familie alle 24 offiziellen EU-Sprachen abdecken. Was sich zwischen den beiden Checkpoints änderte, veränderte die Trainingsdaten und die Abdeckung des Tokenizers weit stärker als den akustischen Stack.

Wer sollte die 4B behalten, und wer sollte umziehen?

Behalte Voxtral 4B T​TS, wenn eine der folgenden Bedingungen zutrifft. Du musst die Audiodaten auf Hardware verarbeiten, die du kontrollierst, und kannst keine private Bereitstellung aushandeln. Du betreibst Forschung oder Evaluierung, wofür CC BY-NC 4.0 die Nutzung erlaubt und die Lizenz nichts kostet. Du benötigst Voice-Cloning mit kurzer Referenz – drei Sekunden gegenüber dreißig Minuten sind alles andere als ein knappes Rennen. Du arbeitest in einer der neun Sprachen, die es abdeckt, und die Qualität ist ausreichend – in diesem Fall ist ein kostenloser Checkpoint, den du bereits betreibst, mehr wert als ein besserer, den du erst aufrufen musst.

Wechseln Sie zu Voxtral 3 T​TS, wenn einer der folgenden Punkte zutrifft. Sie verkaufen die Ausgabe und durften das 4B-Modell daher ohnehin nie kommerziell selbst hosten – in diesem Fall haben Sie bereits die API zu $0.016 pro tausend Zeichen genutzt, und die neuen $13 pro Million sind 19 % günstiger für ein Modell, das 127 Elo besser ist, was das einfachste Upgrade in diesem Artikel darstellt. Sie brauchen eine Sprache außerhalb der ursprünglichen neun. Sie brauchen den Agent-Stack: Voxtral 3 T​TS wird mit einem auf LiveKit basierenden Voice-Agent-SDK, SIP- und WebRTC-Unterstützung, Agent-Turns unter einer Sekunde und einem Bundle-Preis von $0.04 pro Minute inklusive Mistral Small 4 Reasoning ausgeliefert – nichts davon gab es rund um das März-Modell.

Es gibt eine dritte Gruppe, die beide einsetzen sollte, und sie ist größer, als sie aussieht: Teams, die auf dem offenen Checkpoint prototypen und über die API ausliefern. Voxtral 4B TTS bietet ein lokales Modell, um Prompts, Stimmen und Fehlermodi ohne Kosten pro Aufruf und ohne dass Daten das Gebäude verlassen zu testen; Voxtral 3 TTS bietet den Produktionsendpunkt mit der Sprachabdeckung und der Lizenz zum Verkaufen. Die beiden teilen eine Familienabstammung, aber keine API-Oberfläche, also plane ein, dass die Prompts neu abgestimmt werden müssen — eine Qualitätslücke von 127 Punkten bedeutet ein anderes Modell, nicht einen Versionssprung, und Richtungssteuerungen, die sich beim 4B auf eine bestimmte Weise verhielten, übertragen sich nicht unbedingt.

Wenn der Produktionspfad einen Ausfall eines Anbieters überstehen muss, spricht das dafür, den Syntheseaufruf hinter einen Router zu legen, statt Mistral direkt aufzurufen. OrcaRouter bietet einen OpenAI-kompatiblen Endpunkt für über 200 Modelle mit durchgereichtem Listenpreis des Anbieters bei 0 % Aufschlag, sodass ein Ausfall eines Synthese-Backends automatisch überbrückt wird statt stumm zu bleiben – und eine Voice-Pipeline, die nächtliche Batches rendert, ist genau die Arbeitslast, bei der ein toter Endpunkt eine Nacht kostet statt einer Anfrage. Mistrals Modelle sind über Mistrals eigene API und mehrere Drittanbieterplattformen erreichbar; prüfen Sie den Katalog auf aktuelle Verfügbarkeit, bevor Sie um eine bestimmte Modell-ID herum designen.

Die Frage, die Mistral nicht beantwortet hat

Wird Voxtral 3 TTS offene Gewichte erhalten? Das Modell vom März erhielt sie – unter einer nichtkommerziellen Lizenz – und wurde zum Referenzpunkt dafür, wie ein offener TTS-Checkpoint aus einem europäischen Labor aussieht. Nichts an der Oktober-Veröffentlichung wiederholt das. Die Seite ist explizit in Bezug auf API-Zugriff und private Bereitstellung und schweigt sich über Downloads aus – dasselbe Muster, das Mistral bei mehreren seiner Textmodelle anwandte, bevor es Monate später die Gewichte veröffentlichte.

Wenn die Gewichte tatsächlich veröffentlicht werden, ändert sich der Vergleich vollständig: Die Lizenzbedingungen entscheiden dann darüber, ob das offene Modell kommerziell nutzbar ist, und der Präzedenzfall – CC BY-NC 4.0 – legt nahe, dass dies nicht der Fall sein wird. Das würde die Situation ungefähr so belassen, wie sie jetzt ist: Das herunterladbare Modell wäre ein Forschungsartefakt, und das nutzbare wäre ein Dienst.

Die andere unbeantwortete Frage ist, ob das 4B weiterhin in der API gelistet bleibt. Mistrals Preistabelle für Sprachmodelle führt die neue Familie auf und erwähnt das März-Modell nicht, während Artificial Analysis es weiterhin mit 16 $ und einem aktiven Host führt. Historisch hat Mistral ältere Sprachmodelle noch lange abrufbar gehalten; falls das auch hier gilt, haben Teams einen wirklich nützlichen Fallback – ein etwas schlechteres, etwas teureres Modell, das dennoch eine andere Bereitstellung ist. Wenn nicht, muss jeder, der im März auf voxtral-mini-tts-latest aufgebaut hat, vor der nächsten Rechnung prüfen, auf welches Modell dieser Alias inzwischen verweist.

Die Kurzfassung: Voxtral 3 T​TS ist das bessere Modell und das schlechtere Asset. Kaufen Sie es für Sprachen, Qualität und den Agent-Stack; behalten Sie Voxtral 4B T​TS für lokale Arbeit, Cloning mit kurzen Referenzen und die neun Sprachen, die es bereits gut beherrscht. Die eine Migration, die eindeutig richtig ist, ist die von der gehosteten API des 4B zur neuen — derselbe Anbieter, dieselbe Lizenzhaltung, günstiger und besser — und sie ist der einzige Schritt in diesem Vergleich, der nichts kostet.