Voxtral 3 מול Gemini 3.5 Transcribe: Mistral אומרת שהיא מנצחת במילים — Google מנצחת בכל השאר

במדד היחיד ששתי הספקיות מסכימות לפרסם, השתיים הללו רחוקות זו מזו כחוט השערה. Voxtral Small Transcribe 3 — מתמלל הדגל של Mistral ממשפחת Voxtral 3 שיצאה ב-20 באוקטובר 2026 — עומד על שיעור שגיאות מילים של 2.1% בלוח הלא-סטרימינג של Artificial Analysis. G​emini 3.5 Transcribe, שאותו G​oogle מפעילה כמודל זמין באופן כללי מאז 26 באוגוסט 2026, עומד על 2.6% באותו לוח. חמישה עשיריות נקודה הן בערך חמש שגיאות נוספות לכל אלף מילים. זו לא הסיבה לבחור באחד מהם. הסיבות הן כל מה שמעל המילים: G​emini מבצעת דיאריזציה לשמונה דוברים, מקבלת אלף מונחי אוצר מילים מותאמים, מנקה אי-רציפויות ופותרת תיקונים עצמיים במעבר אחד, ומשתרעת על יותר מ-85 אזורים לשוניים. Voxtral מבצעת דיאריזציה טוב יותר באופן מדיד לפי הטבלה שלה עצמה, מכסה יותר מ-50 שפות, ומציעה מחיר לדקה נמוך מזה של G​oogle. העמוד הזה עוסק בשאלה איזה מההבדלים האלה באמת מגיע לצינור העיבוד שלך. שיעורי שגיאות מילים אינם מתעדים כיצד ה-API לתמלול של מי מהספקיות נכשל תחת עומס, והתקריות האלה מתועדות ב-ארכיון התקריות של OrcaRouter AI שבו כל רשומה כוללת מקורות משלה, חומרה, דרגת ביטחון וסימון שנוי במחלוקת.

מה כל אחד מהם מוכר

ההצגה של Mistral עבור Voxtral Small Transcribe 3 היא דיוק בתוספת ייחוס דובר. זהו "מודל התמלול והדיאריזציה המוביל" במשפחה, הוא מבצע חותמות זמן ודיאריזציה באופן מובנה, והוא גם מבצע תרגום, שאלות ותשובות בדיבור, תמצות וקריאה לפונקציות — שזו דרך שקטה לומר שזהו מודל אודיו-שפה שמתמלל ולא כלי תמלול ייעודי. במחיר של $0.004 לדקה עם הקשר של 32k, הוא מתומחר כתחליף ישיר לממשקי API מנוהלים לתמלול.

המסגור של Google ל-Gemini 3.5 Transcribe עוסק במה שקורה לתמלול לאחר הזיהוי. מצב ברירת המחדל `verbatim` משמר מילות מילוי, התחלות שגויות וחזרות; מצב `smart` מסיר אותן ומחיל עיצוב מובנה; אוצר מילים מותאם אישית מטה את התוצאה לז'רגון שלך; חותמות זמן ברמת המילה מוחזרות כהערות; ותוויות דובר מגיעות כ-`spk_1`, `spk_2` וכן הלאה. זה פועל דרך Interactions API עבור קבצים וב-SKU נפרד בשם `gemini-3.5-transcribe-live` עבור סטרימינג, והוא כולל שכבה חינמית ש-Mistral אינה מציעה.

במילים פשוטות: Mistral מוכרת לך אוזן טובה יותר, Google מוכרת לך עורך טוב יותר.

מימד אחר מימד

• דיוק עצמאי — Voxtral Small Transcribe 3 ב-2.1% AA-WER לעומת G​emini 3.5 Transcribe ב-2.6%, שניהם בלוח הדירוג ללא סטרימינג של Artificial Analysis. טבלת FLEURS של Mistral עצמה מציגה פער רחב יותר: 4.1% בשפה כפויה עבור Voxtral לעומת 6.1% עבור G​emini, אך רק 4.0% לעומת 4.5% עם שפה מוסקת. לוח הדירוג העצמאי תואם את הקריאה של שפה מוסקת, ולכן יש להתייחס לנתון 6.1% כאל הקצה הרופף של הטבלה של Mistral ולא כאל הכותרת.

• מחיר — $0.004 לדקה לעומת $0.005 לדקה, שניהם תעריפי מחירון משולבים. כלומר $240 לעומת $300 לאלף שעות אודיו. אמיתי, אך לא מכריע כשלעצמו; פער של 20% נמחק בהרצה חוזרת אחת של אצווה גרועה.

• ייחוס דובר — Voxtral Small Transcribe 3 עם 18.4% WER משורשר מסוג min-permutation בהרנס של Mistral, לעומת G​emini 3.5 Transcribe עם 38.4% באותה טבלת ספקים. זהו הפער הגדול ביותר בפוסט ההשקה וזה שסביר ביותר שיהיה משמעותי. יש להציג זאת בכנות ובזהירות: שני המספרים הם של Mistral, הופקו בהרנס של Mistral, ו-G​oogle לא פרסמה ציון דיאריזציה מקביל שניתן להשוות אליו. התיעוד של G​oogle אכן חושף תקרה קשיחה שאינה מדד ביצועים — שמונה דוברים, כשהייחוס "ניסיוני" עבור שלושה דוברים או יותר — אשר עבור תמלול פגישות היא מגבלת מוצר, לא שאלת איכות.

• כיסוי שפות — Voxtral: יותר מ-50 שפות, כולל כל 24 השפות הרשמיות של האיחוד האירופי וקבוצה של שפות אסייתיות והודיות עם מעט משאבים. G​emini: יותר מ-85 לוקאלים עם רמזי BCP-47 ומעבר בין שפות בתוך משפט. הרשימה של G​oogle ארוכה יותר, וחשוב מכך — היא מפורטת בשמות, כך שתוכלו לבדוק אם הלוקאל שלכם נמצא בה. ה"50+" של Mistral הוא מספר בלי רשימה.

• מגבלות אודיו — G​emini מגבילה אודיו בבקשה בודדת לשעה אחת, או לשלושים דקות כשמבקשים דיאריזציה או חותמות זמן ברמת המילה. Mistral אינה מפרסמת אורך אודיו מרבי כלל עבור Voxtral Small Transcribe 3. השתיקה הזו אינה תכונה. אם אתם מעבדים קבצים ארוכים, G​emini הוא היחיד מבין השניים שאפשר לתכנן מולו תור עבודות בלי לשאול את אנשי המכירות.

• בקרת אוצר מילים — Gemini מקבל עד 1,000 מונחים מותאמים אישית (תוצאות מיטביות עד כ-100) ומזהיר במפורש שאין לשלב אוצר מילים מותאם אישית עם דיאריזציה או חותמות זמן של מילים. ההטיה לפי הקשר של Voxtral מקבלת מונחי מפתח וטקסט חופשי, ו-Mistral מדווחת על זכירות (recall) של ביטויי מפתח של 94.6% עם פרומפט לעומת 81.4% בלעדיו. שימו לב לצורה של הטענה הזו: מדובר בזכירות עם הטיה, לא בשגיאות עם הטיה, והיא מדווחת על ידי הספק.

• טיפול בתיקונים עצמיים — המצב `smart` של Gemini פותר תיקונים עצמיים ומנרמל מספרים ומטבעות מדוברים. Mistral אינה מציעה מצב מתועד מקביל. אם האודיו שלכם הוא ראיונות או דיבור של מוקד טלפוני מלא ב"לא, רגע, התכוונתי", זוהי התכונה היחידה שסביר ביותר להכריע את הבחירה.

• סטרימינג — ל-Gemini יש SKU פעיל בעלות משוערת של $0.009 לדקה במשוקלל. שכבת הסטרימינג של Voxtral היא מודל אחר, Voxtral Mini Transcribe Realtime 3, במחיר $0.008 לדקה עם השהיה הניתנת להגדרה מ-80 עד 2,400 מ״ש. מודל הסטרימינג של אף אחד מהספקים אינו ספינת הדגל מבחינת דיוק, ולכן השוואת דיוק הסטרימינג למספרי האצווה שלמעלה היא שגיאת קטגוריה.

• בשלות — Gemini 3.5 Transcribe זמין באופן כללי (GA) מאז 26 באוגוסט 2026, ויש לו ציון WER עצמאי בלוח ציבורי. Voxtral Small Transcribe 3 נמצא בתצוגה מקדימה ציבורית נכון ל-20 באוקטובר 2026, ללא היסטוריית זמינות, ללא תאריך GA וללא התחייבות מפורסמת שמחיר התצוגה המקדימה שלו יישמר.

מספר הדיאריזציה הוא זה שצריך לבדוק

אם יש משפט אחד בהשוואה הזו שאמור לשלוח אתכם לאודיו שלכם, זה המשפט הזה: Mistral טוענת לשגיאת דיאריזציה של 18.4% לעומת 38.4% של G​emini, ו-G​oogle אינה מפרסמת מספר נגדי. זהו פער גדול באופן מחשיד עבור הבדל ברמת דיוק — 2.1% מול 2.6% בתמלול רגיל אינם מנבאים פער של פי 2 בייחוס דוברים. שני הסברים עומדים לרשותכם, ורק הנתונים שלכם מפרידים ביניהם. או שהדיאריזציה של G​emini אכן חלשה יותר, מה שמתאים לתקרת שמונת הדוברים המתועדת שלה ולהערת ה"ניסיוני" לשלושה דוברים או יותר, או שההרנס של Mistral מחמיא למודל שלה באופן שרשום חוזר ניטרלי לא ישחזר.

מבחן מעשי: קחו ארבעים דקות מהאודיו הגרוע ביותר עם ריבוי דוברים שיש לכם — דיבור חופף, דובר אחד על קו טלפון, לפחות מקום אחד שבו שני אנשים מדברים זה על זה — הריצו את שניהם, וספרו החלפות דוברים ולא שגיאות מילים. זה לוקח אחר צהריים ומכריע טענה שאף אחד מהספקים לא יכול להכריע עבורכם.

מה העלות האמיתית של התמלולים בקנה מידה

חשב את האריתמטיקה עבור ארגון תמיכה שמקליט 4,000 שעות בחודש. בתעריף של $0.004 לדקה, Voxtral Small Transcribe 3 מסתכם ב-$960. בתעריף של $0.005 לדקה, G​emini 3.5 Transcribe מסתכם ב-$1,200. הפער החודשי של $240 הוא ממשי, והוא בערך העלות של שעת מהנדס אחת ליום עבודה, וזו הדרך הנכונה לשקול אותו: משמעותי לעומת חלופה באירוח עצמי שעלות התפעול שלה אינה עולה לך דבר, ולא רלוונטי אם מצב ה-`smart` של G​emini מסיר שלב עיבוד-בדיעבד שהייתם משלמים עליו אחרת.

שלב העיבוד־בתר הזה הוא המקום שבו השוואת המחירים בדרך כלל נשברת. תמלול גולמי עם מילות מילוי ותיקוני עצמית לא פתורים דורש מעבר ניקוי — או שכבת regex שאתם מתחזקים, או קריאה ל-LLM לכל קובץ. תמלול מנקה, מנוקד ומסומן לפי דובר מ-G​emini לא דורש זאת. אם צינור העיבוד שלכם כרגע מוציא קריאה למודל שפה לכל תמלול כדי לתקן עיצוב, הכניסו את הקריאה הזו להשוואה לפני שתסיקו ש-Mistral זול ב-20%.

עבור צוותים שרוצים את שניהם — הדיאריזציה של Mistral בשיחות שבהן הדוברים חשובים, הניקוי של G​emini בארכיון הגדול — המגבלה היא בדרך כלל מפתחות וספקים ולא כסף. קטלוג המודלים של OrcaRouter אינו כולל כרגע לא את Voxtral 3 ולא את G​emini 3.5 Transcribe, כך שהשילוב המסוים הזה עדיין משמעו שני חוזים. איפה שאנחנו כן עוזרים זה בשכבה שמעל: מודל ההיסק שמסכם או מנתב את התמלולים האלה יכול להגיע מנקודת קצה אחת עם מעבר אוטומטי לגיבוי, כך שבחירת ספק הדיבור לא נועלת גם את בחירת מודל ההמשך שלכם.

פסק דין

בחרו ב-Voxtral Small Transcribe 3 אם הבעיה שלכם היא דוברים והשפות שלכם אירופיות — הטענה בדבר דיאריזציה, 24 שפות האיחוד האירופי והתעריף הנמוך ב-20% מצביעים כולם לאותו כיוון, ו-WER של 2.1% בלוח תוצאות עצמאי פירושו שאינכם מקריבים דיוק לשם כך. בחרו ב-G​emini 3.5 Transcribe אם הבעיה שלכם היא התמלול עצמו: תיקונים עצמיים, עיצוב, רשימה גדולה של לוקאלים בשמות, ומגבלת אורך שמע מפורסמת שאפשר לתכנן מולה קיבולת. הדבר היחיד שלא הייתי עושה הוא לבחור לפי פער ה-WER של 0.5 נקודות. הוא קטן מהשונות בין ריצה לריצה בכל לוח, ושתי הספקיות מפרסמות את המספר שמתאים להן מאותה משפחה של הערכות.

השאלה הפתוחה היא מה יקרה כאשר Voxtral Small Transcribe 3 ייצא ממצב Preview. אם Mistral ישמור על מחיר של $0.004 והרצת דיאריזציה חוזרת ועצמאית תאשר את הפער של 18 נקודות, זה מפסיק להיות החלטה צמודה עבור כל מי שעוסק בניתוח פגישות או שיחות. אם המחיר ישתנה ב-GA, השיקול מצטמצם חזרה רק לכיסוי שפות ולייחוס דובר.