Voxtral 3 TTS vs Voxtral 4B TTS: Model Lebih Baru yang Tidak Dapat Anda Unduh

Fakta janggal tentang Voxtral 3 T​TS adalah bahwa ia lebih baik daripada Voxtral 4B T​TS dalam hampir segala hal yang dapat diukur dan lebih buruk dalam satu hal yang menentukan sejumlah deployment: Anda tidak bisa memilikinya. Mistral merilis Voxtral 4B T​TS pada 23 Maret 2026 sebagai bobot terbuka — mistralai/Voxtral-4B-T​TS-2603 di Hugging Face, CC BY-NC 4.0, dapat diunduh dan dijalankan pada akselerator Anda sendiri. Voxtral 3 T​TS hadir pada 20 Oktober 2026 hanya sebagai produk API. Halaman peluncuran menyebutkan endpoint UE, AS, dan global, playground Studio, serta deployment mandiri di infrastruktur privat, dan tidak pernah sekali pun menyatakan bahwa bobotnya tersedia. Jadi penerus berusia tujuh bulan itu 127 Elo lebih baik pada papan uji dengar buta (1.217 versus 1.090), 19% lebih murah pada $13 versus $16 per juta karakter, dan sekitar 42% lebih cepat pada 112 versus 79 karakter per detik — dan tetap bukan pengganti langsung bagi model yang digantikannya, karena model yang lebih lama adalah satu-satunya anggota keluarga ini yang benar-benar dapat dimiliki perusahaan. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.

Dua model, tujuh bulan, satu batas lisensi

Batas itu perlu dinyatakan secara tepat sebelum benchmark apa pun, karena hal itu menata ulang keseluruhan perbandingan.

• Voxtral 4B T​TS — bobot terbuka di bawah CC BY-NC 4.0. Nonkomersial. Anda boleh mengunduhnya, memeriksanya, menjalankannya, dan melakukan fine-tuning; Anda tidak boleh mendistribusikannya sebagai bagian dari produk berbayar. Pembatasan ini diwarisi dari kumpulan data suara referensi di baliknya, bukan dari keterbatasan teknis apa pun pada checkpoint tersebut. Self-hosting untuk evaluasi internal tidak masalah; self-hosting dalam layanan komersial yang menghadap pelanggan tidak.

• Voxtral 3 TTS — tertutup. Tidak ada bobot yang dipublikasikan per 21 Oktober 2026. "Penyebaran mandiri di infrastruktur privat atau cloud privat" di halaman Mistral adalah penawaran penerapan perusahaan yang dinegosiasikan dengan vendor, bukan tautan unduhan, dan mencampuradukkan keduanya adalah kesalahan termudah yang dibuat saat membaca halaman itu dengan cepat.

Konsekuensi praktisnya: jika alasan Anda menginginkan Voxtral 4B T​TS adalah karena audio tidak pernah meninggalkan jaringan Anda, Voxtral 3 T​TS tidak menggantikannya kecuali Anda menandatangani sesuatu dengan Mistral. Jika alasan Anda adalah karena layanan itu lebih murah daripada API yang dihosting, Voxtral 3 T​TS menggantikannya dari segi harga dan mengunggulinya dari segi kualitas, dan pertanyaan lisensi pun hilang karena Anda membeli layanan, bukan file. Jeda tujuh bulan yang sama menghasilkan penyelesaian yang berbeda, bergantung pada kalimat mana di antara keduanya yang menggambarkan situasi Anda.

Papan skor

• Elo Suara Penyedia — Voxtral 3 TTS: 1.217 (#13 dari 98), interval 95% 1.202–1.232. Voxtral 4B TTS: 1.090 (#46), interval 1.078–1.102. Keduanya menurut Artificial Analysis, berdasarkan pembacaan 21 Oktober 2026.

• Harga per 1 juta karakter — $13,00 versus $16,00. Dengan sekitar 900 karakter per menit ucapan, $0,70 versus $0,86 per jam.

• Throughput — median 112 karakter per detik versus 79, diukur oleh Artificial Analysis pada host native masing-masing model.

• Bahasa — Voxtral 3 T​TS: 35+ bahasa dan 50+ dialek, preset dalam 18 bahasa. Voxtral 4B T​TS: 9 bahasa — Inggris, Prancis, Jerman, Spanyol, Belanda, Portugis, Italia, Hindi, Arab, dengan dukungan dialek.

• Adaptasi suara — Voxtral 3 T​TS: "Pro Voice", audio 30 menit. Voxtral 4B T​TS: prompt referensi 5–25 detik, yang dalam kartu model dijelaskan sesingkat 3 detik.

• Bobot — tertutup versus terbuka (CC BY-NC 4.0).

Baris bahasa adalah perubahan terbesar yang belum dibahas siapa pun. Voxtral 4B TTS mencakup sembilan bahasa; model baru mengklaim 35+ dan 50+ dialek. Itu adalah perluasan produk empat kali lipat, dan itu argumen yang lebih kuat untuk peningkatan ini daripada Elo — 127 poin memindahkan Anda dari tengah papan ke tengah papan, tetapi beralih dari sembilan bahasa ke tiga puluh lima mengubah pasar mana yang dapat Anda jual.

Lini adaptasi suara bergerak ke arah sebaliknya dan merupakan satu-satunya regresi yang benar-benar nyata. Voxtral 4B T​TS melakukan kloning dari klip referensi pendek — hanya tiga detik menurut kartu model, dengan arsitektur yang menjelaskan jendela prompt 5–25 detik. Pro Voice dari Voxtral 3 T​TS membutuhkan tiga puluh menit audio untuk mereproduksi karakter, rentang emosi, dan gaya penutur lintas bahasa. Tiga puluh menit adalah sesi studio. Tiga detik adalah fitur. Jika produk Anda memungkinkan pengguna mendengar suara mereka sendiri, model yang lebih baru lebih buruk dalam tugas itu.

Apa sebenarnya 4B itu, di balik layar

Jumlah parameter dalam nama model lama menggambarkan arsitektur yang nyata, dan itu menjelaskan kekuatannya sekaligus mengapa penerusnya bukan sekadar versi yang lebih besar darinya.

Voxtral 4B T​TS kira-kira memiliki empat miliar parameter dalam tiga bagian: tulang punggung dekoder transformer 3,4B yang dibangun di atas Ministral 3B, transformer akustik flow-matching 390M, dan codec audio neural 300M. Model ini bersifat autoregresif atas codec VQ semantik dengan kosakata 8.192 token, yang memberi masukan ke head flow-matching yang memprediksi fitur FSQ akustik di 36 dimensi pada 21 level, berjalan pada 12,5 Hz. Secara sederhana: model bahasa kecil membaca teks dan membuat rencana, jaringan flow-matching mengubah rencana itu menjadi fitur audio, dan codec mengubah fitur menjadi sampel. Model ini menghasilkan hingga dua menit secara native, dengan output yang lebih panjang ditangani melalui interleaving di API.

Angka yang dipublikasikan Mistral untuk model Maret adalah latensi model 70 milidetik untuk sampel suara 10 detik dan 500 karakter, pada faktor waktu nyata sekitar 9,7x. Angka-angka itu diukur pada stack penyajian Mistral, bukan secara independen, dan menggambarkan model yang benar-benar cepat untuk generasinya. Throughput model Oktober di Artificial Analysis, 112 karakter per detik dibandingkan dengan 79, menunjukkan bahwa penerusnya bahkan lebih cepat — tetapi Mistral sama sekali tidak memublikasikan time-to-first-audio untuk Voxtral 3 TTS, sebuah kelalaian yang aneh bagi perusahaan yang model TTS sebelumnya mengedepankan angka latensi.

Dua generasi arsitektur juga terlihat dalam jumlah bahasa. Sembilan bahasa pada Maret, lebih dari tiga puluh lima pada Oktober, dengan model transkripsi keluarga ini mengklaim semua 24 bahasa resmi UE. Apa pun yang berubah antara kedua checkpoint tersebut mengubah data pelatihan dan cakupan tokenizer jauh lebih besar daripada mengubah tumpukan akustik.

Siapa yang harus menjaga 4B, dan siapa yang harus bergerak

Pertahankan {{1}}Voxtral 4B T​TS{{/1}} jika salah satu dari hal berikut benar. Anda memerlukan audio untuk diproses pada perangkat keras yang Anda kendalikan dan Anda tidak dapat menegosiasikan deployment privat. Anda sedang melakukan riset atau evaluasi, di mana CC BY-NC 4.0 mengizinkan penggunaan dan lisensinya tidak memakan biaya. Anda memerlukan kloning suara dengan referensi pendek — tiga detik dibandingkan tiga puluh menit bukanlah perbandingan yang tipis. Anda bekerja dalam salah satu dari sembilan bahasa yang dicakupnya dan kualitasnya memadai, dalam hal ini checkpoint gratis yang sudah Anda jalankan lebih bernilai daripada checkpoint yang lebih baik yang harus Anda panggil.

Beralihlah ke Voxtral 3 T​TS jika salah satu dari berikut ini benar. Anda menjual outputnya dan karena itu toh tidak pernah diizinkan melakukan self-host 4B secara komersial — dalam hal ini Anda sudah menggunakan API $0.016 per seribu karakter, dan $13 per juta yang baru 19% lebih murah untuk model yang 127-Elo lebih baik, yang merupakan peningkatan termudah di artikel ini. Anda membutuhkan bahasa di luar sembilan bahasa awal. Anda membutuhkan stack agen: Voxtral 3 T​TS hadir dengan SDK agen suara berbasis LiveKit, dukungan SIP dan WebRTC, giliran agen di bawah satu detik, dan harga paket per menit $0.04 dengan penalaran Mistral Small 4, yang semuanya tidak ada pada model Maret.

Ada kelompok ketiga yang seharusnya menjalankan keduanya, dan kelompok ini lebih besar daripada kelihatannya: tim yang membuat prototipe pada checkpoint terbuka dan melayani melalui API. Voxtral 4B T​TS memberi Anda model lokal untuk menguji prompt, suara, dan mode kegagalan terhadapnya tanpa biaya per panggilan dan tanpa data yang meninggalkan gedung; Voxtral 3 T​TS memberi Anda endpoint produksi dengan cakupan bahasa dan lisensi untuk menjual. Keduanya berbagi garis keturunan keluarga tetapi bukan permukaan API, jadi rencanakan agar prompt perlu disetel ulang — selisih kualitas 127 poin adalah model yang berbeda, bukan kenaikan versi, dan kontrol arah yang berperilaku dengan satu cara pada 4B belum tentu bisa dialihkan.

Jika jalur produksi harus tetap bertahan saat terjadi gangguan vendor, itulah alasan untuk menempatkan panggilan sintesis di balik router alih-alih memanggil Mistral secara langsung. OrcaRouter memberikan satu endpoint yang kompatibel dengan OpenAI untuk 200+ model dengan harga daftar penyedia diteruskan pada markup 0%, sehingga gangguan pada satu backend sintesis akan dialihkan alih-alih diam — dan pipeline suara yang merender batch semalaman adalah tepat beban kerja di mana endpoint yang mati memakan waktu satu malam alih-alih satu permintaan. Model Mistral dapat diakses melalui API Mistral sendiri dan beberapa platform pihak ketiga; periksa katalog untuk ketersediaan terkini sebelum merancang berdasarkan ID model tertentu.

Pertanyaan yang belum dijawab Mistral

Apakah Voxtral 3 TTS akan mendapatkan bobot terbuka? Model Maret melakukannya, di bawah lisensi nonkomersial, dan model itu menjadi titik acuan bagi seperti apa bentuk checkpoint TTS terbuka dari laboratorium Eropa. Tidak ada hal dalam peluncuran Oktober yang mengulanginya. Halaman tersebut eksplisit soal akses API dan deployment privat, tetapi diam soal unduhan, yang merupakan pola sama yang digunakan Mistral untuk beberapa model teksnya sebelum merilis bobot beberapa bulan kemudian.

Jika bobot model benar-benar dirilis, perbandingannya berubah sepenuhnya: ketentuan lisensi akan menentukan apakah model terbuka itu dapat digunakan secara komersial, dan preseden — CC BY-NC 4.0 — menunjukkan bahwa kemungkinan tidak. Itu akan membuat situasinya kurang lebih sama seperti sekarang, dengan model yang dapat diunduh menjadi artefak penelitian dan yang dapat digunakan menjadi layanan.

Pertanyaan lain yang belum terjawab adalah apakah 4B akan mempertahankan pencantuman API-nya. Tabel harga speech Mistral mencantumkan keluarga baru tersebut dan tidak menyebut model Maret, sementara Artificial Analysis masih melacaknya pada $16 dengan host aktif. Secara historis, Mistral tetap membuat model speech yang lebih lama dapat dipanggil untuk long tail; jika itu tetap berlaku, tim memiliki fallback yang benar-benar berguna — model yang sedikit lebih buruk dan sedikit lebih mahal tetapi tetap merupakan deployment yang berbeda. Jika tidak, siapa pun yang membangun di atas voxtral-mini-tts-latest pada bulan Maret perlu memeriksa model mana yang sekarang dituju alias tersebut sebelum tagihan berikutnya.

Versi singkatnya: Voxtral 3 T​TS adalah model yang lebih baik sekaligus aset yang lebih buruk. Belilah untuk bahasa, kualitas, dan stack agen; pertahankan Voxtral 4B T​TS untuk pekerjaan lokal, kloning referensi pendek, dan sembilan bahasa yang sudah dikuasainya dengan baik. Satu migrasi yang jelas benar adalah dari API terhosting 4B ke API baru — vendor sama, posisi lisensi sama, lebih murah dan lebih baik — dan itu satu-satunya langkah dalam perbandingan ini yang tidak memerlukan biaya untuk dilakukan.