Voxtral 3: Mistral bringt vier Sprachmodelle und eine Voice-Agent-API auf dieselbe Abrechnung

Die interessante Zahl in Mistrals Veröffentlichung vom 20. Oktober ist keine Wortfehlerrate. Sie ist $0.04 pro Minute. Das ist es, was das Unternehmen für einen Voxtral 3-Sprachagenten berechnet – eine End-to-End-Pipeline, die einen Anrufer hört, mit Mistral Small 4 darüber nachdenkt, was gesagt wurde, Tools aufruft und antwortet. Rechnet man die Teile zusammen, die Mistral separat verkauft, kostet dieselbe Minute mehr: Voxtral Mini Transcribe Realtime 3 zu $0.008, plus Voxtral Mini T​TS 3 zu rund $0.02 bei normaler Sprechgeschwindigkeit, plus das Reasoning-Modell obendrauf. Die gebündelte Minute ist das Produkt. Alles andere – Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 – wird als Komponente verkauft, die man à la carte kaufen kann, und als Nachweis, dass die Komponenten gut genug sind, dass es sich lohnt, sie zu bündeln. Sprachagenten-Pipelines scheitern auf Arten, die Preislisten nie erwähnen, und die erfassten Vorfälle sind im OrcaRouter AI Incident Archive katalogisiert, wobei jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzgrad und Kennzeichnung als umstritten enthält.

Was ist tatsächlich neu, Modell für Modell

Hier wird eine ganze Produktfamilie erneuert, nicht nur ein einzelnes Modell mit einer neuen Versionsnummer. Jedes Element hat eine eigene Aufgabe und einen eigenen Preis, und die Aufteilung ist wichtiger als der gemeinsame Name.

• Voxtral Small Transcribe 3 — die Genauigkeitsstufe. 0,004 $ pro Minute, 32k Kontext und Mistrals Flaggschiff-Versprechen für Transkription mit Diarisierung. Es übernimmt außerdem Übersetzung, Sprach-Fragen-Antworten, Zusammenfassung und Funktionsaufrufe, was es zum einzigen Mitglied der Familie macht, das einem Audio-Sprachmodell näher steht als einem Transkriptionswerkzeug.

• Voxtral Mini Transcribe 3 — 4 Mrd. Parameter, 0,0035 $ pro Minute, 32k-Kontext. Mistral nennt die Größe dieses Modells und hält die des Small-Modells zurück. Diese Asymmetrie ist bemerkenswert: Das Mini-Modell ist dasjenige, das für Volumen und Edge-Deployment positioniert wird, sein Footprint ist also ein Verkaufsargument; der des Flaggschiffs wird nicht offengelegt.

• Voxtral Mini Transcribe Realtime 3 — Streaming über WebSocket zu 0,008 $ pro Minute, mit konfigurierbarer Latenz von 80 ms bis 2.400 ms und End-of-Turn-Erkennung, die akustische und semantische Hinweise kombiniert, statt auf Stille zu warten. Die Dokumentation sagt „unter 500 ms“; die konfigurierbare Untergrenze liegt weit darunter, und der Genauigkeitsverlust bei niedrigen Werten ist erheblich — siehe Benchmark-Abschnitt.

• Voxtral Speech 3 (in den Docs als Voxtral Mini T​TS 3) angeboten — 13 US-Dollar pro Million Zeichen, rund 90 ms bis zur ersten Audioausgabe, 34 Emotions-Tags und zwei Tempo-Tags, neun Sprachen, Zero-Shot- und „professionelles“ Voice-Cloning. Auf Mistrals Launch-Seite werden für das Cloning 30+ Minuten Referenzaudio angegeben.

Darunter liegt das Voice-Agent-SDK, aufgebaut auf LiveKit und Streaming-ASR, LLM und TTS als eine Pipeline. Es nimmt SIP-Anrufe, WebRTC-Sitzungen und bestehende Telefonie- oder IVR-Trunks entgegen, unterstützt Barge-in und ermöglicht den Wechsel des Reasoning-Modells, der Stimme oder der Sprache, ohne den Agenten neu zu bauen. Mistral gibt eine Turn-Latenz von unter einer Sekunde an.

Die Benchmark-Tabelle sorgfältig lesen.

Mistral hat eigene Zahlen veröffentlicht, und das sind gute Zahlen. Beim FLEURS-45-Makrodurchschnitt der Wortfehlerrate liegt Voxtral Small Transcribe 3 bei 4,1 % mit erzwungener Sprachangabe und bei 4,0 % mit abgeleiteter Sprachangabe. Voxtral Mini Transcribe 3 liegt bei 4,6 % / 4,5 %. Zum Vergleich in derselben Anbietertabelle: G​emini 3.5 Transcribe bei 6,1 % / 4,5 %, Scribe v2 bei 4,9 %, G​PT Transcribe bei 6,3 % / 5,6 % und Whisper large-v3 bei 16,0 % / 14,9 %.

Zwei Punkte an dieser Tabelle verdienen einen zweiten Blick. Erstens steht Microsofts MAI-Transcribe-2 bei 4,1 % / 4,0 % — identisch mit Voxtral Small Transcribe 3, bis auf die Nachkommastelle. Eine Anbietertabelle, in der das Flaggschiff seinen engsten Konkurrenten exakt gleichzieht, ist entweder ein ehrliches Unentschieden oder ein gerundetes; Mistral sagt nicht, welches von beidem. Zweitens ist die Whisper-Zahl nicht der Wert, den sonst jemand für Whisper nennt. Whisper large-v3 erreicht 7,44 mittlere WER auf dem Open ASR Leaderboard und die Turbo-Variante 4,6 % auf dem unabhängigen Board von Artificial Analysis. Sechzehn Prozent sind das, was Whisper speziell bei schwierigem mehrsprachigem FLEURS-Audio zeigt, nicht das, was es bei englischsprachigem Produktionseinsatz zeigt. Den härtesten verfügbaren Ausschnitt für einen Konkurrenten zu verwenden, ist ein normaler Marketingzug, aber es ist ein Marketingzug.

Das unabhängige Leaderboard zeichnet ein engeres Bild. Artificial Analysis führt Voxtral Small Transcribe 3 mit 2,1 % AA-WER und Voxtral Mini Transcribe 3 mit 2,2 % — nach aktuellem Stand Erster und Zweiter im Non-Streaming-Leaderboard, wobei MAI-Transcribe-2 mit 2,0 % je nachdem, wann das Board abgerufen wird, auf dem Platz darüber liegt. Diese Werte liegen so nah beieinander, dass sich die Reihenfolge bei erneuten Läufen verschieben wird. Wer aus einem Abstand von 0,1 Punkten einen Sieger macht, gibt Rauschen wieder.

Wo die Echtzeit-Stufe Genauigkeit zurückgibt

Die Streaming-Zahlen sind das Nützlichste, was Mistral veröffentlicht hat, weil sie am wenigsten schmeichelhaft sind. Bei FLEURS 35 liegt die Offline-Baseline von Voxtral Mini Transcribe 3 bei 4,0 % WER. Das Echtzeitmodell verschlechtert sich monoton, je früher man von ihm eine Antwort verlangt:

• 2.400 ms Latenz — 5,7 % WER

• 960 ms — 6,0 %

• 480 ms — 6,4 %

• 240 ms — 7,4 %

Dagegen führt Mistral G​emini 3.5 Realtime Transcribe mit 4,2 %, Microsofts Streaming-Stufe mit 5,8 %, G​PT Live Transcribe mit 8,4 % und Scribe v2 Realtime mit 8,7 % auf. Die ehrliche Lesart ist also: Bei einer komfortablen Verzögerung von 2,4 Sekunden ist die Voxtral-Realtime-Stufe konkurrenzfähig mit Microsoft und schlägt die Streaming-Modelle von O​penAI und ElevenLabs, aber nicht das von G​oogle, und bei 240 ms ist sie schlechter als alles außer den beiden Schlusslichtern. Die Schlagzeile von unter 500 ms ist real; sie kostet Sie lediglich rund drei Prozentpunkte Genauigkeit gegenüber dem Offline-Lauf desselben Audios.

Diarisierung ist der Bereich, in dem die Familie am stärksten aussieht und in dem die Anbietertabelle die meiste Arbeit leistet. Beim konkatenierten Minimum-Permutation-WER meldet Mistral 18,4 % für Voxtral Small Transcribe 3, 18,6 % für die Mini-Version, 19,0 % für Pyannote Orchestrator Precision 3, 20,3 % für MAI-Transcribe-2 und 38,4 % für Gemini 3.5 Transcribe. Ein Abstand von 20 Punkten gegenüber Gemini bei der Sprecherzuordnung ist die Art von Zahl, die ein Produkt entscheidet – Meeting-Transkription, Call-QA –, aber sie stammt aus dem Harness eines Anbieters gegen das Modell eines anderen Anbieters, und kein Dritter hat sie erneut ausgeführt.

Was der Preis in Stunden kauft

Die Abrechnung pro Minute lässt sich leicht vergleichen – und leicht falsch einschätzen, wenn die Alternative pro Token abgerechnet wird. Umgerechnet auf tausend Audiostunden, was ungefähr dem Monatsvolumen eines mittelgroßen Contact-Centers entspricht:

• Voxtral Mini Transcribe 3 — 210 $ pro 1.000 Stunden bei 0,0035 $/Min.

• Voxtral Small Transcribe 3 — 240 $ pro 1.000 Stunden bei 0,004 $/Min.

• Voxtral Mini Transcribe Realtime 3 — 480 $ pro 1.000 Stunden bei 0,008 $/Min.

• Sprachagenten-API mit Mistral Small 4 Reasoning — 2.400 $ pro 1.000 Gesprächsstunden zu 0,04 $/Min.

Die Agenten-Stufe ist fünf- bis elfmal so teuer wie die Transkriptions-Stufe, was der richtigen Größenordnung entspricht, wenn man bedenkt, dass sie das Reasoning-Modell und die Sprachsynthese einschließt. Hier liegt auch die Marge, und Mistrals Positionierung – Identitätsprüfung, Rechnungsprüfung, Terminbuchung – ist auf Anrufe ausgelegt, bei denen eine erledigte Aufgabe mehr wert ist als eine Minute Rechenzeit.

Eine strukturelle Warnung zur gesamten Preisliste: Jedes hier aufgeführte Modell befindet sich in public preview, nicht in GA, und die Preview-Preise in der Spracherkennung haben sich historisch verändert. Es gibt keine veröffentlichte Zusage, dass $0.0035 gleich $0.0035 bleibt.

Was Mistral nicht ausgeliefert hat

Keine Gewichte. Die Launch-Seite sagt, Voxtral 3 sei über Mistrals API mit EU-, US- und globalen Endpunkten verfügbar und „zur Selbstbereitstellung auf Ihrer eigenen Infrastruktur“ – doch sie veröffentlicht keine Lizenz, keine Parameterzahlen für drei der vier Modelle und kein Repository auf Hugging Face. Zum Kontext: Mistrals frühere Speech-Releases waren herunterladbar: Voxtral Small 24B 2507 ist Apache 2.0 auf Hugging Face, Voxtral 4B T​TS 2603 ist CC-BY-NC-4.0, und Voxtral Mini 4B Realtime Arabic wurde am 8. Oktober veröffentlicht, ohne dass überhaupt eine Lizenz angegeben wurde. Dieses Release ist die erste Voxtral-Generation ohne ein herunterladbares Modell. Selbstbereitstellung bedeutet hier einen Enterprise-Vertrag, keinen Download.

Ebenfalls nicht angegeben: eine maximale Audiolänge, ein Kontextwert für die TTS- oder Agent-Stufen und jegliche Details zu Aufbewahrung oder Datenresidenz über die Endpunktregionen hinaus. Wenn Sie dies für regulierte Anrufaufzeichnung bewerten, sind diese drei Lücken diejenigen, die in einem Beschaffungsgespräch statt anhand des Launch-Beitrags zu schließen sind.

Wie man es tatsächlich ausprobiert

Voxtral 3 ist heute nicht im Katalog von OrcaRouter enthalten, daher führt der Weg zur Evaluierung über Mistrals eigene API- und Studio-Playgrounds, die Transkription, Sprachgenerierung, Voice Cloning und die Agent-Pipeline abdecken. Wo ein Router tatsächlich hilft, ist die zweite Hälfte der Entscheidung: Man möchte fast nie nur einen einzigen Sprach-Stack, und das Reasoning-Modell, das die Tool-Aufrufe deines Agenten abwickelt, hinter einem einzigen Endpoint zu platzieren, bedeutet, dass du Mistral Small 4 mit einem Dutzend anderer Modelle anhand desselben Transkripts vergleichen kannst, ohne die Pipeline neu aufzubauen. OrcaRouter gibt die Listenpreise der Anbieter mit 0 % Aufschlag weiter und führt bei Ausfällen automatisch ein Failover zwischen Anbietern durch, was genau in dieser Situation am wichtigsten ist – ein Modell der Preview-Stufe, hinter dem keine Uptime-Historie steht.

Die praktische Bewertungsreihenfolge, wenn Sie das diese Woche machen: Lassen Sie Ihr eigenes schlechtestes Audiomaterial durch Voxtral Small Transcribe 3 und MAI-Transcribe-2 über dieselben 200 Dateien laufen, denn die beiden Anbieter weisen dieselbe FLEURS-Punktzahl aus, und nur Ihr Audio kann den Ausschlag geben. Führen Sie dann die Echtzeit-Stufe bei 960 ms und bei 2.400 ms aus und zählen Sie, wie oft der End-of-Turn-Detektor einen Anrufer mitten im Satz abschneidet – dieser Fehlermodus kostet in einem Live-Agenten mehr als jeder WER-Unterschied in dieser Familie. Kalkulieren Sie dann den Preis pro Agentenminute gegen Ihre Containment-Rate, nicht gegen Ihre Transkriptionsrechnung.

Was zu sehen

Drei Dinge werden entscheiden, ob diese Veröffentlichung gut altert. Unabhängige Nachprüfungen der Diarisierungsaussage – die einzige Zahl der Markteinführung, die eine Kaufentscheidung wirklich ändern würde. Ob die Gewichte veröffentlicht werden, denn ein herunterladbares Voxtral würde sofort zur Standardoption unter den offenen Modellen für die Diarisierung europäischer Sprachen werden und das gesamte obige Preisargument untergraben. Und ob die Subsekunden-Latenz des Agenten in echter Telefonie hält und nicht nur in einer Demo eines französischen Überweisungsschreibens – Barge-in und End-of-Turn-Erkennung sind die Bereiche, in denen Sprachagenten üblicherweise scheitern, und keines von beiden übersteht als Beweis einen Hersteller-Blogbeitrag.