Voxtral 3 milik Mistral Menghadirkan Model Transcribe Peringkat #3 dan Suara Seharga $13

Angka yang harus dijadikan acuan adalah 2,1%. Itu adalah tingkat kesalahan kata yang diukur Artificial Analysis untuk Voxtral Small Transcribe 3, yang menempatkan pengenal baru Mistral di posisi ketiga pada papan peringkat speech-to-text independen per 21 Oktober 2026 — hanya di belakang Fun-Realtime-ASR-preview milik Alibaba pada 1,7% dan MAI-Transcribe-2 milik Microsoft pada 2,0%, serta di depan ElevenLabs Scribe v2 pada 2,2%. Rilis 20 Oktober yang sama juga menghadirkan Voxtral 3 TTS, model sintesis dengan harga $13 per juta karakter yang berada di peringkat ketiga belas pada arena Provider Voice dan keempat belas pada arena Controlled Voice. Salah satu hasil itu merupakan kenaikan nyata di klasemen. Hasil lainnya adalah entri kelas menengah yang kompeten dengan label harga agresif, dan jarak antara cara keduanya diumumkan dan bagaimana keduanya sebenarnya mencetak skor adalah hal paling berguna dalam peluncuran ini. Kegagalan AI dan insiden agen terdokumentasi yang melatarbelakangi rilis seperti ini dikumpulkan di Arsip Insiden AI OrcaRouter dengan setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status sengketa.

Semua yang di bawah ini memisahkan tiga jenis klaim: angka dari papan uji dengar buta dan transkripsi milik Artificial Analysis (independen), angka dari halaman peluncuran Mistral sendiri (dilaporkan vendor), dan perhitungan aritmetika yang dilakukan di sini berdasarkan harga yang dipublikasikan. Ketiganya tidak dapat dipertukarkan, dan halaman peluncuran menyajikannya dengan cara yang membuat ketiganya mudah dicampuradukkan.

Hasil transkripsi itulah yang benar-benar mendorong Mistral naik di papan peringkat.

Voxtral Small Transcribe 3 adalah andalan dari keluarga empat model tersebut, dan merupakan satu-satunya bagian dari rilis ini yang memiliki skor independen yang secara langsung mengalahkan para pemain mapan. Dengan WER 2,1%, model ini tertinggal 0,1 poin dari MAI-Transcribe-2 milik Microsoft dan unggul 0,1 poin atas Scribe v2 — selisih yang berada jauh di dalam noise satu set evaluasi, tetapi cukup untuk menempatkan Mistral dalam perbincangan di puncak tabel, bukan di kelompok pengejar.

Angka kecepatannya adalah separuh yang lebih mengejutkan. Artificial Analysis mengukur faktor kecepatan median 66,6 untuk Voxtral Small Transcribe 3, dibandingkan dengan 20,3 untuk Fun-Realtime-ASR-preview yang berperingkat teratas dan 308,8 untuk MAI-Transcribe-2. Dalam istilah sederhana, model Mistral mentranskripsikan sekitar 67 menit audio per menit komputasi — empat kali lebih lambat daripada model Microsoft, tiga kali lebih cepat daripada model Alibaba. Murah, akurat, dan cukup lambat adalah bentuk yang sangat pas untuk transkripsi batch; itu bentuk yang buruk untuk apa pun yang interaktif, itulah sebabnya Mistral menjual model realtime terpisah.

Keluarga tersebut, sebagaimana dikirim pada 20 Oktober:

• Voxtral Small Transcribe 3 — 50+ bahasa, diarisasi, bias konteks, $0.004 per menit ($4.00 per 1.000 menit). Pilihan akurasi.

• Voxtral Mini Transcribe 3 — 4B parameter, 50+ bahasa, $0.0035 per menit. Mencetak 2,2% WER pada papan yang sama — secara statistik setara dengan model Small dengan biaya 12,5% lebih murah, yang membuat premi tier Small sulit dibenarkan hanya berdasarkan akurasi.

• Voxtral Mini Transcribe Realtime 3 — streaming, klaim latensi di bawah 500 ms, $0,008 per menit. Halaman Mistral sendiri menyebut baik "35+ bahasa" maupun "40+ bahasa" untuk model ini di dua tempat berbeda; belum ada pihak luar yang menguji mana yang benar.

• Voxtral 3 TTS — sintesis batch dan real-time dengan harga $13 per juta karakter, 35+ bahasa dan 50+ dialek. Model yang disebut "Voxtral Speech 3" dalam tabel harga Mistral dan dicantumkan dalam dokumentasinya sebagai voxtral-mini-tts-3-0.

Pada evaluasi FLEURS 45 milik Mistral sendiri, {{1}}Voxtral Small Transcribe 3{{/1}} melaporkan WER {{2}}4,1%{{/2}} dengan bahasa yang dipaksakan dan {{3}}4,0%{{/3}} dengan bahasa yang diinferensi. Itu adalah benchmark yang berbeda dari yang dijalankan Artificial Analysis, itulah sebabnya halaman vendor menampilkan {{4}}4%{{/4}} dan papan independen menampilkan {{5}}2,1%{{/5}}. Tidak ada angka yang salah; mengutip keduanya dalam satu kalimat tanpa menyebutkan mana yang mana adalah cara liputan peluncuran menjadi keliru. Mistral juga mengklaim kesalahan diarisasi terendah dalam set perbandingannya pada {{6}}18,4%{{/6}} cpWER dan {{7}}94,6%{{/7}} recall frasa kunci dengan context biasing, naik dari {{8}}81,4%{{/8}} tanpanya — dilaporkan vendor, belum direproduksi.

Model suaranya kelas menengah, dan harganya yang berbicara.

Postingan media sosial Mistral membingkai peluncuran {{1}}T​TS{{/1}} sebagai masuk ke dua belas besar di kedua arena text-to-speech. Papan peringkat langsung pada 21 Oktober menunjukkan gambaran yang sedikit lebih moderat: Voxtral 3 {{2}}T​TS{{/2}} berada di #13 pada Provider Voice dengan 1.217 Elo (interval 95% 1.202–1.232, rentang seri yang mencakup peringkat 11 sampai 17) dan #14 pada Controlled Voice dengan 1.066 Elo (rentang seri yang mencakup peringkat 10 sampai 19). Dengan kata lain, model ini berada di lima belas besar pada keduanya — dan interval kepercayaannya tumpang tindih dengan lima model lain, sehingga peringkat persisnya bukanlah fakta yang stabil. Ini adalah hari kedua model tersebut di papan peringkat dan jumlah sampelnya, 1.619 perbandingan, jauh di bawah 3.000+ yang telah dikumpulkan para pemimpin.

Yang stabil adalah lingkungan sekitarnya. Dengan 1.217 Elo, Voxtral 3 TTS sejajar dengan Realtime TTS-2 Flash dan StepAudio 2.5 TTS, di depan ElevenLabs Eleven v3 pada 1.182, serta di belakang Cartesia Sonic 3.6 pada 1.289, Qwen-Audio-3.1-TTS-Plus pada 1.299, dan ElevenLabs Eleven v4 pada 1.328.

Ada dua hal tentang posisi itu yang perlu dikatakan secara terus terang. Pertama, Voxtral 3 TTS adalah peningkatan dari generasi ke generasi yang jelas bagi Mistral: Voxtral TTS Maret 2026 mencetak 1,090 pada papan yang sama, jadi ini lompatan 127 poin. Kedua, lompatan itu tidak menutup jarak ke garis terdepan. Model Mistral sebelumnya tertinggal jauh; model baru ini berada di tengah-tengah kelompok.

Apa yang sebenarnya bisa dibeli dengan $13 per juta karakter

Harga adalah bagian yang membuat rilis ini menarik, dan di sinilah pembacaan langsung siaran pers akan menyesatkan Anda. Pada $13 per juta karakter, Voxtral 3 T​TS membutuhkan biaya sekitar $0,70 per jam ucapan yang dihasilkan, dengan asumsi kira-kira 900 karakter per menit berbicara. Cartesia Sonic 3.6 berjalan $2,65 sejam pada $49, ElevenLabs Eleven v4 berjalan $4,32 pada $80, dan Q​wen-Audio-3.0-T​TS-Plus berjalan $1,04 pada $19,31. Dibandingkan dengan tier premium, penghematannya nyata dan besar.

Dibandingkan tier value, ini bukan kemenangan telak. Simba 3.2 berada di #10 dengan 1.245 Elo — 28 poin di atas Voxtral 3 TTS — pada $6,6 per juta karakter, setengah harganya. Realtime TTS-2 Flash mencetak 1.217 Elo yang sama pada $10,4. Gemini 3.8 Flash-Lite TTS mencetak 1.250 pada $11. Dengan rasio Elo per dolar yang kasar, yang memperlakukan Elo sebagai linear padahal tidak dan harus dibaca sebagai pengurutan kasar alih-alih pengukuran, Voxtral 3 TTS berada di sekitar 94 poin per dolar dibandingkan 189 untuk Simba 3.2 dan 118 untuk Realtime TTS-2 Flash.

Ringkasan jujurnya adalah bahwa Mistral menetapkan harga model itu agar bisa dipertahankan, bukan untuk bersifat disruptif. Harganya lebih rendah daripada setiap model yang mengalahkannya dengan selisih lebih dari 50 Elo, dan model itu kalah dalam hal nilai dari setidaknya tiga model yang mengalahkannya dalam hal kualitas. Itu peluncuran biasa, bukan peristiwa penetapan ulang harga.

Di sinilah routing menjadi penting, yaitu untuk menjaga perbandingan itu tetap hidup alih-alih tersimpan di spreadsheet. OrcaRouter menjalankan satu API untuk 200+ model dan meneruskan harga daftar penyedia dengan markup 0%, sehingga ketika vendor seperti Mistral mengubah tarif, angka yang dilihat kode Anda ikut berubah, dan menukar endpoint sintesis di balik pipeline suara menjadi perubahan konfigurasi, bukan kontrak kedua. Apakah Voxtral 3 T​TS layak masuk ke pipeline itu adalah pertanyaan terpisah dari apakah model itu yang terbaik di papan — dan di papan, saat ini, bukan.

Bagian dari rilis yang bukan model

Hal paling berdampak yang dirilis Mistral pada 20 Oktober mungkin bukanlah salah satu dari model yang diberi skor tersebut. Keluarga ini hadir dengan SDK agen suara yang dibangun di atas LiveKit, mendukung telepon SIP, WebRTC, IVR, dan integrasi pusat kontak, dengan klaim giliran agen penuh di bawah satu detik dan penanganan barge-in. Mistral menetapkan harga seluruh loop agen — ucapan masuk, penalaran, ucapan keluar — sebesar $0,04 per menit ketika model penalarannya adalah Mistral Small 4, atau $0,08 per menit dengan model penalaran yang berbeda.

Bundel per menit itu adalah unit yang berbeda dari tarif TTS per karakter, dan membandingkan keduanya secara langsung merupakan kesalahan umum. Agen suara yang berbicara selama 30 detik dalam panggilan satu menit menghabiskan sekitar 4.500 karakter sintesis, yang pada $13 per juta berarti kurang dari enam sen — jadi bundel $0.04 itu kompetitif dibandingkan merakit sendiri komponen-komponennya, asalkan Anda memang menginginkan model penalaran Mistral. Bundel ini juga menjadi tempat argumen failover membuktikan nilainya di lingkungan produksi: agen suara dengan endpoint sintesis yang mati adalah saluran telepon yang senyap, dan bagian penalaran dari pipeline tersebut persis jenis hal yang diperuntukkan bagi router dengan failover otomatis.

Yang tidak dirilis Mistral adalah bobot terbuka. Halaman Voxtral 3 menjelaskan akses API, playground Studio, dan penerapan mandiri di infrastruktur privat, tetapi tidak pernah menyatakan bahwa bobotnya dapat diunduh. Voxtral T​TS bulan Maret dirilis di Hugging Face dengan lisensi CC BY-NC 4.0; tidak ada dalam rilis ini yang mengulanginya. Jika hosting mandiri merupakan persyaratan, generasi ini saat ini belum menjawabnya.

Tiga hal yang belum diukur oleh siapa pun

Tidak adanya angka latensi yang dipublikasikan untuk Voxtral 3 TTS adalah celah paling mencolok dalam materi peluncuran. Mistral memberikan angka di bawah 500 ms untuk transkripsi real-time dan di bawah satu detik untuk satu giliran agen penuh, tetapi tidak ada waktu hingga audio pertama untuk sintesis, padahal angka itulah yang menentukan apakah agen suara terasa seperti percakapan. Artificial Analysis melaporkan waktu generasi median 7,2 detik dan throughput median 112 karakter per detik, yang keduanya menggambarkan perenderan batch alih-alih perilaku streaming. Median 112 karakter per detik tergolong terhormat — lebih cepat daripada 56 milik ElevenLabs Eleven v3 dan lebih lambat daripada 145 milik Sonic 3.6 — tetapi itu tidak mengatakan apa pun tentang 200 milidetik pertama.

Kloning suara adalah celah kedua. Adaptasi "Pro Voice" dari Mistral mereproduksi karakter dan rentang emosi penutur dari 30 menit audio. Itu adalah proses kelas studio, bukan kloning instan sepuluh detik yang diiklankan Cartesia atau kloning tiga puluh detik yang ditawarkan ElevenLabs, dan itu memosisikan Voxtral 3 T​TS untuk suara merek alih-alih untuk karya karakter yang dihasilkan pengguna.

Yang ketiga adalah daya tahan. Materi milik Mistral sendiri tidak menyebutkan panjang generasi maksimum untuk endpoint TTS, dan sampel arena berupa klip pendek. Narasi panjang adalah area di mana model Elo kelas menengah masih bisa menjadi jawaban yang tepat jika tetap koheren selama sepuluh menit, dan belum ada yang memublikasikan uji tersebut.

Pembacaan yang adil atas 20 Oktober adalah bahwa Mistral merilis pesaing transkripsi yang sungguhan dan model T​TS yang cukup baik untuk masuk daftar pendek serta cukup murah untuk dicoba. Papan transkripsi adalah tempat perusahaan itu memperoleh headline. Papan sintesis adalah tempat perusahaan itu membelinya.