Voxtral 3 vs. Gemini 3.5 Transcribe: Laut Mistral gewinnt es bei den Wörtern – Google gewinnt beim Rest

Bei der einzigen Metrik, die beide Anbieter übereinstimmend veröffentlichen, liegen die beiden nur um Haaresbreite auseinander. Voxtral Small Transcribe 3 — Mistrals Flaggschiff-Transkriptionsmodell aus der Voxtral 3-Familie, veröffentlicht am 20. Oktober 2026 — liegt bei 2,1 % Wortfehlerrate auf der Non-Streaming-Rangliste von Artificial Analysis. G​emini 3.5 Transcribe, das G​oogle seit dem 26. August 2026 als allgemein verfügbares Modell betreibt, liegt auf derselben Rangliste bei 2,6 %. Fünf Zehntelpunkte sind etwa fünf zusätzliche Fehler pro tausend Wörter. Das ist nicht der Grund, eines davon zu wählen. Die Gründe liegen in allem, was über die reine Wortebene hinausgeht: G​emini übernimmt die Diarisierung für acht Sprecher, akzeptiert tausend benutzerdefinierte Vokabularbegriffe, bereinigt Disfluenzen und löst Selbstkorrekturen in einem einzigen Durchlauf auf und deckt über 85 Locales ab. Voxtral schneidet bei der Diarisierung nach seiner eigenen Tabelle messbar besser ab, deckt über 50 Sprachen ab und unterbietet G​oogles Minutenpreis. Auf dieser Seite geht es darum, welche dieser Unterschiede tatsächlich in Ihrer Pipeline ankommen. Wortfehlerraten erfassen nicht, wie die Transkriptions-API des jeweiligen Anbieters unter Last ausfällt, und diese Vorfälle sind im OrcaRouter AI Incident Archive katalogisiert, wo jeder Eintrag eigene Quellen, Schweregrad, Vertrauensstufe und Kennzeichnung als umstritten enthält.

Was jedes einzelne davon verkauft

Mistrals Positionierung für Voxtral Small Transcribe 3 ist Genauigkeit plus Sprecherzuordnung. Es ist das „Flaggschiff-Transkriptions- und Diarisierungsmodell“ der Familie, es liefert Zeitstempel und Diarisierung nativ und beherrscht außerdem Übersetzung, Sprach-Q&A, Zusammenfassungen und Funktionsaufrufe – was eine unauffällige Art zu sagen ist, dass es ein Audio-Sprachmodell ist, das transkribiert, statt ein Transkriptionswerkzeug. Bei 0,004 US-Dollar pro Minute mit 32k-Kontext ist es preislich als direkter Ersatz für die verwalteten Transkriptions-APIs positioniert.

G​oogles Rahmenwerk für G​emini 3.5 Transcribe betrifft das, was nach der Erkennung mit dem Transkript geschieht. Der Standardmodus `verbatim` behält Füllwörter, Fehlstarts und Wiederholungen; der `smart`-Modus entfernt sie und wendet eine strukturierte Formatierung an; ein benutzerdefiniertes Vokabular gewichtet deinen Fachjargon; Zeitstempel auf Wortebene kommen als Annotationen zurück; und Sprecherbezeichnungen erscheinen als `spk_1`, `spk_2` und so weiter. Es läuft über die Interactions API für Dateien und eine separate SKU `gemini-3.5-transcribe-live` für Streaming und bietet eine kostenlose Stufe, die Mistral nicht anbietet.

Einfach gesagt: Mistral verkauft dir ein besseres Ohr, Google verkauft dir einen besseren Redakteur.

Dimension für Dimension

• Unabhängige Genauigkeit — Voxtral Small Transcribe 3 bei 2,1 % AA-WER gegenüber G​emini 3.5 Transcribe bei 2,6 %, beide auf der Non-Streaming-Bestenliste von Artificial Analysis. Mistrals eigene FLEURS-Tabelle weist eine größere Lücke aus: 4,1 % bei erzwungener Sprache für Voxtral gegenüber 6,1 % für G​emini, aber nur 4,0 % gegenüber 4,5 % bei inferierter Sprache. Die unabhängige Bestenliste stimmt mit der Lesart der inferierten Sprache überein, daher sollte man den Wert von 6,1 % als unsauberen Randwert in Mistrals Tabelle und nicht als Schlagzeile behandeln.

• Preis — 0,004 $/Min. vs. 0,005 $/Min., beides gemischte Listenpreise. Das sind 240 $ vs. 300 $ pro tausend Audio-Stunden. Real, aber für sich genommen nicht entscheidend; ein Delta von 20 % wird durch einen einzigen erneuten Lauf eines schlechten Batches aufgehoben.

• Sprecherzuordnung — Voxtral Small Transcribe 3 erreicht 18,4 % verkettete Min-Permutation-WER auf Mistrals Harness, gegenüber Gemini 3.5 Transcribe mit 38,4 % in derselben Anbietertabelle. Dies ist die größte Lücke im Launch-Post und die, die am wahrscheinlichsten ins Gewicht fallen dürfte. Ehrlich einschränken: Beide Zahlen stammen von Mistral, wurden auf Mistrals Harness ermittelt, und Google hat keinen vergleichbaren Diarisierungswert veröffentlicht, gegen den man sie prüfen könnte. Googles Dokumentation nennt jedoch eine harte Obergrenze, die kein Benchmark ist – acht Sprecher, wobei die Zuordnung ab drei „experimentell“ ist –, was für die Meeting-Transkription ein Produktlimit und keine Qualitätsfrage ist.

• Sprachabdeckung — Voxtral: über 50 Sprachen, darunter alle 24 offiziellen EU-Sprachen und eine Reihe ressourcenarmer asiatischer und indischer Sprachen. Gemini: über 85 Locales mit BCP-47-Hinweisen und Code-Switching innerhalb eines Satzes. Googles Liste ist länger und – wichtiger noch – namentlich aufgeführt: Sie können prüfen, ob Ihr Locale darauf steht. Mistrals „50+“ ist eine Zahl ohne Liste.

• Audio-Limits — G​emini begrenzt unäres Audio auf eine Stunde, bzw. dreißig Minuten, wenn Sie Diarisierung oder Wort-Zeitstempel anfordern. Mistral veröffentlicht für Voxtral Small Transcribe 3 überhaupt keine maximale Audiolänge. Dieses Schweigen ist kein Feature. Wenn Sie lange Dateien verarbeiten, ist G​emini der einzige der beiden, gegen den Sie eine Job-Warteschlange dimensionieren können, ohne den Vertrieb fragen zu müssen.

• Vokabularsteuerung — G​emini akzeptiert bis zu 1.000 benutzerdefinierte Begriffe (beste Ergebnisse bei bis zu etwa 100) und warnt ausdrücklich, dass benutzerdefiniertes Vokabular nicht mit Diarisierung oder Wortzeitstempeln kombiniert werden kann. Voxtrals Context-Biasing nimmt Schlüsselbegriffe und Freitext entgegen, und Mistral berichtet von einem Recall für Schlüsselphrasen von 94,6 % mit Prompting gegenüber 81,4 % ohne. Beachten Sie die Form dieser Aussage: Es handelt sich um Recall mit Bias, nicht um Fehler mit Bias, und sie stammt vom Anbieter.

• Umgang mit Selbstkorrekturen — Der `smart`-Modus von Gemini löst Selbstkorrekturen auf und normalisiert gesprochene Zahlen und Währungsangaben. Mistral bietet keinen dokumentierten äquivalenten Modus. Wenn es sich bei Ihrem Audiomaterial um Interviews oder Callcenter-Gespräche handelt, die voll von „nein, warte, ich meinte“ sind, ist dies die einzige Funktion, die die Entscheidung am ehesten bestimmen dürfte.

• Streaming — G​emini hat eine Live-SKU zu einem Mischpreis von rund 0,009 $/Min. Voxtrals Streaming-Tarif ist ein anderes Modell, Voxtral Mini Transcribe Realtime 3, zu 0,008 $/Min. mit einer von 80 bis 2.400 ms konfigurierbaren Latenz. Keines der Streaming-Modelle der Anbieter ist das Flaggschiff in Sachen Genauigkeit, daher ist es ein Kategorienfehler, die Streaming-Genauigkeit mit den oben genannten Batch-Zahlen zu vergleichen.

• Reifegrad — G​emini 3.5 Transcribe ist seit dem 26. August 2026 allgemein verfügbar (GA) und hat einen unabhängigen WER-Wert auf einem öffentlichen Leaderboard. Voxtral Small Transcribe 3 befindet sich seit dem 20. Oktober 2026 in der öffentlichen Vorschau, ohne Uptime-Historie, ohne GA-Termin und ohne veröffentlichte Zusage, dass sein Vorschau-Preis Bestand hat.

Die Diarisierungsnummer ist diejenige, die getestet werden muss.

Wenn es in diesem Vergleich einen einzigen Satz gibt, der Sie dazu veranlassen sollte, Ihr eigenes Audiomaterial heranzuziehen, dann ist es dieser: Mistral behauptet 18,4 % Diarisierungsfehler gegenüber 38,4 % bei Gemini, und Google veröffentlicht keine Vergleichszahl. Das ist eine verdächtig große Lücke für einen Unterschied der Genauigkeitsklasse — 2,1 % gegenüber 2,6 % bei reiner Transkription lässt keinen 2-fachen Unterschied bei der Sprecherzuordnung erwarten. Es gibt zwei Erklärungen, und nur Ihre Daten können zwischen ihnen entscheiden. Entweder ist Geminis Diarisierung tatsächlich schwächer, was zu seiner dokumentierten Obergrenze von acht Sprechern und dem Hinweis „experimentell“ bei drei oder mehr Sprechern passen würde, oder Mistrals Testumgebung schmeichelt dem eigenen Modell auf eine Weise, die ein neutraler erneuter Lauf nicht reproduzieren würde.

Praxistest: Nimm vierzig Minuten deines schlechtesten Multi-Speaker-Audios – Durcheinanderreden, ein Sprecher über eine Telefonleitung, mindestens eine Stelle, an der zwei Personen gleichzeitig reden –, lass beides darüberlaufen und zähle die Sprecherwechsel statt der Wortfehler. Das kostet einen Nachmittag und klärt eine Behauptung, die kein Anbieter für dich klären kann.

Was Transkripte im großen Maßstab tatsächlich kosten

Rechnen Sie die Zahlen für eine Support-Organisation durch, die 4.000 Stunden pro Monat aufzeichnet. Bei 0,004 USD/Minute ergibt Voxtral Small Transcribe 3 960 USD. Bei 0,005 USD/Minute ergibt G​emini 3.5 Transcribe 1.200 USD. Die monatliche Differenz von 240 USD ist real und entspricht ungefähr den Kosten einer Ingenieurstunde pro Arbeitstag, und das ist der richtige Maßstab dafür: bedeutsam gegenüber einer selbst gehosteten Alternative, deren Betrieb Sie nichts kostet, irrelevant, wenn G​eminis `smart`-Modus einen Nachbearbeitungsschritt eliminiert, für den Sie andernfalls zahlen würden.

Genau bei diesem Nachbearbeitungsschritt geht der Preisvergleich normalerweise schief. Ein rohes Transkript mit Füllwörtern und nicht aufgelösten Selbstkorrekturen braucht einen Bereinigungsdurchlauf – entweder eine Regex-Ebene, die du pflegst, oder einen LLM-Aufruf pro Datei. Ein bereinigtes, interpunktiertes Transkript mit Sprecherkennzeichnung von G​emini braucht das nicht. Wenn deine Pipeline derzeit pro Transkript einen Sprachmodellaufruf zum Korrigieren der Formatierung ausgibt, nimm diesen Aufruf in den Vergleich auf, bevor du zu dem Schluss kommst, dass Mistral 20 % günstiger ist.

Für Teams, die beides wollen — Mistrals Diarisierung bei den Anrufen, bei denen Sprecher eine Rolle spielen, G​eminis Bereinigung für das Massenarchiv —, liegt die Hürde meist bei Schlüsseln und Anbietern statt beim Geld. Der Modellkatalog von OrcaRouter enthält derzeit weder Voxtral 3 noch G​emini 3.5 Transcribe, daher bedeutet diese besondere Kombination weiterhin zwei Verträge. Was wir hingegen leisten, ist die Ebene darüber: Das Reasoning-Modell, das diese Transkripte zusammenfasst oder weiterleitet, kann von einem einzigen Endpoint mit automatischem Failover, sodass die Wahl des Sprachanbieters nicht auch Ihre Wahl des Downstream-Modells festschreibt.

Urteil

Wählen Sie Voxtral Small Transcribe 3, wenn Ihr Problem die Sprecher sind und Ihre Sprachen europäisch sind – der Diarisierungsanspruch, die 24 EU-Sprachen und die um 20 % niedrigere Rate deuten alle in dieselbe Richtung, und 2,1 % WER auf einem unabhängigen Board bedeuten, dass Sie dafür keine Genauigkeit opfern. Wählen Sie G​emini 3.5 Transcribe, wenn Ihr Problem das Transkript selbst ist: Selbstkorrekturen, Formatierung, eine lange Liste benannter Locales und ein veröffentlichtes Audio-Längenlimit, gegen das Sie Kapazität planen können. Das Einzige, was ich nicht tun würde, ist, mich wegen der WER-Lücke von 0,5 Punkten zu entscheiden. Sie ist kleiner als die Lauf-zu-Lauf-Varianz auf jedem Board, und beide Anbieter drucken die Zahl, die ihnen passt, aus derselben Familie von Evals.

Die offene Frage ist, was passiert, wenn Voxtral Small Transcribe 3 die Preview verlässt. Wenn Mistral bei $0,004 bleibt und ein unabhängiger erneuter Diarisierungslauf die 18-Punkte-Lücke bestätigt, ist das für alle, die Meeting- oder Call-Analytics betreiben, keine knappe Entscheidung mehr. Wenn sich der Preis bei GA ändert, reduziert sich der Fall wieder allein auf Sprachabdeckung und Sprecherzuordnung.