Voxtral 3 של Mistral מביא מודל תמלול מדורג #3 וקול ב-$13

המספר שכדאי לפתוח איתו הוא 2.1%. זהו שיעור שגיאות המילים ש-Artificial Analysis מדד עבור Voxtral Small Transcribe 3, מה שמציב את המזהה החדש של Mistral במקום השלישי בלוח העצמאי לתמלול מדיבור לטקסט נכון ל-21 באוקטובר 2026 — כאשר רק Fun-Realtime-ASR-preview של Alibaba עם 1.7% ו-MAI-Transcribe-2 של Microsoft עם 2.0% נמצאים לפניו, והוא מקדים את ElevenLabs Scribe v2 עם 2.2%. באותו שחרור מ-20 באוקטובר נכלל גם Voxtral 3 TTS, מודל סינתזה במחיר של $13 למיליון תווים, שמגיע למקום ה-13 ב-Provider Voice arena ולמקום ה-14 ב-Controlled Voice arena. אחת מהתוצאות האלה היא עלייה אמיתית בדירוג. האחרת היא כניסה מוצלחת לאמצע הדירוג עם תג מחיר אגרסיבי, והפער בין האופן שבו השתיים הוכרזו לבין האופן שבו הן למעשה דורגו הוא הדבר המועיל ביותר בהשקה.הכשלים המתועדים של AI ותקריות הסוכנים שמאחורי שחרורים כמו זה נאספים בארכיון התקריות של OrcaRouter AI שבו לכל ערך יש מקורות משלו, חומרה, דרגת ביטחון וסימון מחלוקת.

כל מה שלהלן מפריד בין שלושה סוגים של טענות: מספרים מלוחות ההאזנה העיוורת והתמלול של Artificial Analysis (בלתי־תלויים), מספרים מדף ההשקה של Mistral עצמה (מדווחים על ידי הספק), וחישוב שנעשה כאן ממחירים שפורסמו. הם אינם ברי־החלפה, ודף ההשקה מציג אותם באופן שמקל לבלבל ביניהם.

תוצאת התמלול היא זו שבאמת מקפיצה את Mistral במעלה הלוח.

Voxtral Small Transcribe 3 הוא ספינת הדגל של משפחת ארבעת המודלים, והוא החלק היחיד בהשקה עם ציון עצמאי שגובר על השחקנים הוותיקים באופן מוחלט. עם WER של 2.1% הוא נמצא 0.1 נקודות אחרי MAI-Transcribe-2 של Microsoft ו-0.1 נקודות לפני Scribe v2 — מרווחים שנמצאים היטב בתוך הרעש של מערך הערכה בודד, אך די בהם כדי להציב את Mistral בשיחה על צמרת הטבלה ולא בחבורת הרודפים.

נתון המהירות הוא החצי המפתיע יותר. Artificial Analysis מודדת מקדם מהירות חציוני של 66.6 עבור Voxtral Small Transcribe 3, לעומת 20.3 עבור Fun-Realtime-ASR-preview המדורג במקום הראשון ו-308.8 עבור MAI-Transcribe-2. במילים פשוטות, המודל של Mistral מתמלל בערך 67 דקות שמע לדקת מחשוב — איטי פי ארבעה מזה של Microsoft, ומהיר פי שלושה מזה של A​libaba. זול, מדויק ואיטי במידה הוא צורה טובה בהחלט לתמלול באצווה; היא צורה גרועה לכל דבר אינטראקטיבי, וזו הסיבה ש-Mistral מוכרת מודל זמן אמת נפרד.

המשפחה, כפי שנשלחה ב-20 באוקטובר:

• Voxtral Small Transcribe 3 — יותר מ-50 שפות, דיאריזציה, הטיית הקשר, $0.004 לדקה ($4.00 לכל 1,000 דקות). הבחירה לדיוק.

• Voxtral Mini Transcribe 3 — 4 מיליארד פרמטרים, יותר מ-50 שפות, 0.0035 דולר לדקה. משיג 2.2% WER באותו לוח תוצאות — ברמה סטטיסטית זהה למודל Small בעלות נמוכה ב-12.5%, מה שמקשה להצדיק את תוספת המחיר של שכבת ה-Small על סמך הדיוק בלבד.

• Voxtral Mini Transcribe Realtime 3 — סטרימינג, זמן השהיה מוצהר של פחות מ־500 מ״ש, 0.008 דולר לדקה. בעמוד של Mistral עצמה נאמר גם "35+ שפות" וגם "40+ שפות" עבור המודל הזה בשני מקומות שונים; אף אחד מחוץ לחברה לא בדק מה נכון.

• Voxtral 3 TTS — סינתזה באצוות ובזמן אמת תמורת 13 דולר למיליון תווים, למעלה מ-35 שפות ולמעלה מ-50 ניבים. המודל שטבלת התמחור של Mistral מכנה "Voxtral Speech 3" והתיעוד שלו מפרט אותו בשם voxtral-mini-tts-3-0.

בהערכת FLEURS 45 של Mistral עצמה, Voxtral Small Transcribe 3 מדווח על 4.1% WER עם שפה כפויה ועל 4.0% עם שפה מוסקת. זהו בנצ'מרק שונה מזה שמריץ Artificial Analysis, ולכן דף הספק מציג 4% והלוח העצמאי מציג 2.1%. אף אחד מהמספרים אינו שגוי; ציטוט שלהם באותו משפט בלי לומר מי הוא מי הוא הדרך שבה סיקור השקה משתבש. Mistral גם טוענת לשגיאת הדיאריזציה הנמוכה ביותר בקבוצת ההשוואה שלה, עם 18.4% cpWER ו-94.6% recall של ביטויי מפתח עם הטיית הקשר, לעומת 81.4% ללא — מדווח על ידי הספק, לא משוחזר.

מודל הקול הוא בינוני, והמחיר הוא זה שמדבר בעד עצמו

הפוסט החברתי של Mistral מציג את השקת TTS ככניסה לשנים-עשר המקומות הראשונים בשתי זירות הטקסט-לדיבור. הלוחות החיים ב-21 באוקטובר מספרים סיפור מעט רך יותר: Voxtral 3 TTS נמצא במקום ה-13 ב-Provider Voice עם 1,217 Elo (מרווח 95% של 1,202–1,232, רצועה משותפת המקיפה מקומות 11 עד 17) ובמקום ה-14 ב-Controlled Voice עם 1,066 Elo (רצועה משותפת המקיפה מקומות 10 עד 19). במילים אחרות, הוא בטופ חמישה-עשר בשתי הזירות — ומרווחי הסמך חופפים לחמישה מודלים אחרים, כך שהדירוג המדויק אינו עובדה יציבה. זה היום השני של המודל בלוח, ומספר הדגימות שלו, 1,619 השוואות, נמוך בהרבה מ-3,000+ שצברו המובילים.

מה שיציב הוא השכונה. ב-1,217 Elo, Voxtral 3 T​TS נמצא באותה רמה כמו Realtime T​TS-2 Flash ו-StepAudio 2.5 T​TS, מקדים את ElevenLabs Eleven v3 עם 1,182, ומפגר אחרי Cartesia Sonic 3.6 עם 1,289, Q​wen-Audio-3.1-T​TS-Plus עם 1,299 ו-ElevenLabs Eleven v4 עם 1,328.

שני דברים לגבי המיקום הזה ראויים להיאמר בפשטות. ראשית, Voxtral 3 T​TS הוא שיפור ברור מדור לדור עבור Mistral: ה-Voxtral T​TS ממרץ 2026 קיבל 1,090 באותו לוח, כך שמדובר בקפיצה של 127 נקודות. שנית, הקפיצה לא סגרה את הפער לחזית. המודל הקודם של Mistral היה הרחק מאחור; החדש נמצא באמצע החבילה.

מה באמת קונים תמורת 13 דולר למיליון תווים

המחיר הוא הנקודה שבה הגרסה הזו נעשית מעניינת, ושבה קריאה ישירה של הודעת העיתונות תטעה אתכם. בתעריף של 13 דולר למיליון תווים, Voxtral 3 TTS עולה כ-0.70 דולר לשעה של דיבור מיוצר, בהנחה של כ-900 תווים לדקת דיבור. Cartesia Sonic 3.6 עולה 2.65 דולר לשעה בתעריף של 49 דולר, ElevenLabs Eleven v4 עולה 4.32 דולר בתעריף של 80 דולר, ו-Qwen-Audio-3.0-TTS-Plus עולה 1.04 דולר בתעריף של 19.31 דולר. לעומת שכבת הפרימיום, החיסכון אמיתי וגדול.

מול שכבת הערך זה לא נוקאאוט. Simba 3.2 נמצא במקום ה-10 עם 1,245 Elo — 28 נקודות מעל Voxtral 3 TTS — במחיר של 6.6 דולר למיליון תווים, חצי מהמחיר. Realtime TTS-2 Flash מקבל את אותו 1,217 Elo במחיר 10.4 דולר. Gemini 3.8 Flash-Lite TTS מקבל 1,250 במחיר 11 דולר. ביחס גס של Elo לדולר, שמתייחס ל-Elo כאל ליניארי כשהוא אינו כזה ויש לקרוא אותו כמיון גס ולא כמדידה, Voxtral 3 TTS מגיע לכ-94 נקודות לדולר לעומת 189 עבור Simba 3.2 ו-118 עבור Realtime TTS-2 Flash.

הסיכום הכנה הוא ש-Mistral תימחרה את המודל כך שיהיה ניתן להגן עליו ולא כדי לשבש את השוק. היא מתומחרת נמוך מכל מודל שמנצח אותה ביותר מ-50 Elo, והיא מפסידה בתמורה למחיר לפחות לשלושה מודלים שמנצחים אותה באיכות. זו השקה רגילה, לא אירוע של תמחור מחדש.

המקום שבו הניתוב נכנס לתמונה כאן הוא בשמירה על ההשוואה הזו חיה ולא בגיליון אלקטרוני. OrcaRouter מריץ API אחד עבור יותר מ-200 מודלים ומעביר הלאה את מחיר המחירון של הספק עם 0% תוספת, כך שכאשר ספק כמו Mistral משנה תעריף, המספר שהקוד שלך רואה משתנה יחד איתו, והחלפת נקודת הקצה לסינתזה שמאחורי צינור קולי היא שינוי תצורה ולא חוזה נוסף. השאלה אם Voxtral 3 T​TS שייך לאותו צינור היא שאלה נפרדת מהשאלה אם הוא המודל הטוב ביותר על הלוח — ועל הלוח, נכון להיום, הוא לא.

החלק של המהדורה שאינו מודל

הדבר המשמעותי ביותר שמיסטרל השיקה ב-20 באוקטובר אולי אינו אף אחד מהמודלים שקיבלו ציון. המשפחה מגיעה עם SDK לסוכני קול הבנוי על LiveKit, התומך בטלפוניה SIP, ב-WebRTC, ב-IVR ובאינטגרציות עם מרכזי קשר, עם טענה לתור סוכן מלא בפחות משנייה ולטיפול בהתפרצות דיבור (barge-in). מיסטרל מתמחרת את כל לולאת הסוכן — דיבור נכנס, הסקה, דיבור יוצא — ב-0.04 דולר לדקה כאשר מודל ההסקה הוא Mistral Small 4, או ב-0.08 דולר לדקה עם מודל הסקה אחר.

חבילה לפי דקה היא יחידה שונה מתעריף TTS לפי תו, והשוואה ישירה בין השניים היא טעות נפוצה. סוכן קולי שמדבר 30 שניות בשיחה של דקה צורך בערך 4,500 תווים של סינתזה, שהם בתעריף של $13 למיליון פחות משישה סנטים — כך שחבילת $0.04 תחרותית לעומת הרכבת החלקים בעצמכם, בתנאי שממילא רציתם את מודל החשיבה של Mistral. החבילה היא גם המקום שבו טיעון ה-failover מצדיק את עצמו בסביבת ייצור: סוכן קולי עם נקודת קצה לסינתזה שאינה פעילה הוא קו טלפון שקט, ורגל החשיבה של אותו צינור היא בדיוק סוג הדבר שנתב עם מעבר אוטומטי נועד עבורו.

מה שמיסטרל לא שחררה הוא משקלים פתוחים. העמוד של Voxtral 3 מתאר גישה ל-API, סביבות התנסות ב-Studio ופריסה עצמית על תשתית פרטית, אך אינו מציין בשום מקום שניתן להוריד את המשקלים. ה-Voxtral TTS ממרץ שוחרר ב-Hugging Face תחת CC BY-NC 4.0; שום דבר במהדורה הזו לא חוזר על כך. אם אירוח עצמי הוא דרישה, הדור הזה אינו מספק לכך מענה כרגע.

שלושה דברים שאף אחד עדיין לא מדד

היעדרו של נתון השהיה מפורסם עבור Voxtral 3 TTS הוא הפער החד ביותר בחומרי ההשקה. Mistral מציינת מתחת ל-500 אלפיות השנייה לתמלול בזמן אמת ומתחת לשנייה עבור סבב סוכן שלם, אך לא זמן עד לאודיו הראשון בסינתזה — המספר שקובע אם סוכן קולי מרגיש שיחתי. Artificial Analysis מדווחת על זמן יצירה חציוני של 7.2 שניות ותפוקה חציונית של 112 תווים לשנייה, ושניהם מתארים רינדור באצווה ולא התנהגות סטרימינג. חציון של 112 תווים לשנייה הוא מכובד — מהיר מ-ElevenLabs Eleven v3 עם 56 ואיטי מ-Sonic 3.6 עם 145 — אבל אין בו דבר על 200 האלפיות השנייה הראשונות.

שיבוט קול הוא הפער השני. ההתאמה "Pro Voice" של Mistral משחזרת את האופי והטווח הרגשי של הדובר מתוך 30 דקות אודיו. זהו תהליך ברמת אולפן, לא השיבוט המיידי בן עשר השניות ש-Cartesia מפרסמת או השיבוט בן שלושים השניות ש-ElevenLabs מציעה, והוא ממקם את Voxtral 3 TTS לקולות מותג ולא לעבודת דמויות שנוצרת על ידי משתמשים.

השלישי הוא סיבולת. החומרים של Mistral עצמה אינם מציינים אורך יצירה מקסימלי לנקודת הקצה TTS, ודגימות הארנה הן קליפים קצרים. נרטיב ארוך הוא המקום שבו מודל Elo בדירוג בינוני עדיין יכול להיות התשובה הנכונה אם הוא שומר על קוהרנטיות לאורך עשר דקות, ואף אחד לא פרסם את המבחן הזה.

הקריאה ההוגנת של 20 באוקטובר היא ש-Mistral השיקה מתחרה אמיתית בתחום התמלול ומודל TTS שטוב מספיק כדי להיכלל ברשימה הקצרה וזול מספיק כדי לנסות אותו. לוח התמלול הוא המקום שבו החברה הרוויחה כותרת. לוח הסינתזה הוא המקום שבו היא קנתה אחת.