Voxtral 3: Mistral Menempatkan Empat Model Ucapan dan API Agen Suara di Meter yang Sama

Angka menarik dalam rilis Mistral 20 Oktober bukanlah tingkat kesalahan kata. Angka itu adalah $0.04 per menit. Itulah biaya yang dikenakan perusahaan untuk Voxtral 3 agen suara — pipeline ujung ke ujung yang mendengar penelepon, menalar tentang apa yang mereka katakan dengan Mistral Small 4, memanggil alat, dan menjawab kembali. Jumlahkan bagian-bagian yang Mistral jual secara terpisah, dan menit yang sama biayanya lebih mahal: Voxtral Mini Transcribe Realtime 3 seharga $0.008, ditambah Voxtral Mini T​TS 3 sekitar $0.02 untuk laju bicara normal, ditambah model penalaran di atasnya. Menit yang dibundel adalah produknya. Semua yang lain — Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 — dijual sebagai komponen yang dapat dibeli secara terpisah, dan sebagai cara untuk menunjukkan bahwa komponen-komponen itu cukup baik untuk layak dibundel. Pipeline agen suara gagal dengan cara yang tidak pernah disebutkan kartu tarif, dan insiden yang tercatat dikatalogkan di OrcaRouter AI Incident Archive di mana setiap entri menyertakan sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.

Apa yang benar-benar baru, model demi model

Ini adalah penyegaran lini keluarga, bukan satu model dengan kenaikan versi. Setiap bagian memiliki tugas yang berbeda dan harga yang berbeda, dan pembagiannya lebih penting daripada nama bersamanya.

• Voxtral Small Transcribe 3 — tingkat akurasi. $0,004 per menit, konteks 32k, dan klaim unggulan Mistral untuk transkripsi dengan diarisasi. Ini juga melakukan penerjemahan, tanya jawab suara, peringkasan, dan pemanggilan fungsi, yang menjadikannya satu-satunya anggota keluarga ini yang lebih mendekati model bahasa-audio daripada sekadar transkriper.

• Voxtral Mini Transcribe 3 — 4B parameter, $0.0035 per menit, konteks 32k. Mistral mengungkapkan ukuran model ini dan tidak mengungkapkan ukuran model Small. Asimetri itu layak diperhatikan: model mini adalah yang diposisikan untuk volume dan penerapan edge, jadi jejaknya menjadi nilai jual; ukuran model andalannya tidak diungkapkan.

• Voxtral Mini Transcribe Realtime 3 — streaming melalui WebSocket dengan biaya $0,008 per menit, dengan latensi yang dapat dikonfigurasi dari 80 ms hingga 2.400 ms serta deteksi akhir giliran yang menggabungkan isyarat akustik dan semantik alih-alih menunggu keheningan. Dokumentasi menyebutkan "sub-500 ms"; batas bawah yang dapat dikonfigurasi jauh di bawah itu, dan biaya akurasi karena turun terlalu rendah cukup signifikan — lihat bagian benchmark.

• Voxtral Speech 3 (dijual dalam dokumentasi sebagai Voxtral Mini T​TS 3) — $13 per juta karakter, sekitar 90 ms hingga audio pertama, 34 tag emosi dan dua tag tempo, sembilan bahasa, kloning suara zero-shot dan "profesional". Halaman peluncuran Mistral mencantumkan kloning pada 30+ menit audio referensi.

Di bawahnya terdapat SDK agen suara, yang dibangun di atas LiveKit dan ASR streaming, LLM, dan T​TS sebagai satu pipeline. SDK ini menerima panggilan SIP, sesi WebRTC, dan trunk teleponi atau IVR yang sudah ada, mendukung barge-in, dan memungkinkan Anda mengganti model penalaran, suara, atau bahasa tanpa membangun ulang agen. Mistral menyebut latensi giliran di bawah satu detik.

Tabel benchmark, baca dengan cermat.

Mistral menerbitkan angka miliknya sendiri, dan itu angka yang bagus. Pada FLEURS 45 macro-average word error rate, Voxtral Small Transcribe 3 berada di 4,1% dengan bahasa yang dipaksakan dan 4,0% dengan bahasa yang diinferensi. Voxtral Mini Transcribe 3 berada di 4,6% / 4,5%. Sebagai perbandingan pada tabel vendor yang sama: G​emini 3.5 Transcribe di 6,1% / 4,5%, Scribe v2 di 4,9%, G​PT Transcribe di 6,3% / 5,6%, dan Whisper large-v3 di 16,0% / 14,9%.

Dua hal tentang tabel itu layak ditinjau ulang. Pertama, MAI-Transcribe-2 dari Microsoft berada di 4,1% / 4,0% — identik dengan Voxtral Small Transcribe 3, hingga ke desimalnya. Tabel vendor yang produk unggulannya menyamai pesaing terdekatnya secara persis entah merupakan seri yang jujur atau hasil pembulatan; Mistral tidak menyebut yang mana. Kedua, angka Whisper bukan angka yang dikutip pihak lain untuk Whisper. Whisper large-v3 mencetak WER rata-rata 7,44 di Open ASR Leaderboard, dan varian Turbo 4,6% di papan independen Artificial Analysis. Enam belas persen adalah gambaran Whisper pada audio FLEURS multibahasa yang sulit secara khusus, bukan gambaran Whisper dalam bahasa Inggris produksi. Menggunakan irisan tersedia yang paling keras untuk pesaing adalah langkah pemasaran yang normal, tetapi tetap merupakan langkah pemasaran.

Papan independen memberikan gambaran yang lebih ketat. Artificial Analysis menempatkan Voxtral Small Transcribe 3 pada 2,1% AA-WER dan Voxtral Mini Transcribe 3 pada 2,2% — peringkat pertama dan kedua di papan peringkat non-streaming per saat penulisan ini, dengan MAI-Transcribe-2 pada 2,0% di posisi di atas keduanya tergantung kapan papan tersebut dibaca. Angka-angka itu cukup berdekatan sehingga urutannya akan berubah pada pengujian ulang. Siapa pun yang menyebut pemenang dari selisih 0,1 poin sedang mengutip noise.

Di mana tier realtime mengembalikan akurasi

Angka streaming adalah hal paling berguna yang diterbitkan Mistral, karena justru itu yang paling tidak menyanjung. Pada FLEURS 35, baseline offline Voxtral Mini Transcribe 3 adalah 4,0% WER. Model realtime mengalami penurunan performa secara monoton saat Anda memintanya menjawab lebih cepat:

• Latensi 2.400 ms — WER 5,7%

• 960 ms — 6,0%

• 480 ms — 6,4%

• 240 ms — 7,4%

Sebagai perbandingan, Mistral mencantumkan G​emini 3.5 Realtime Transcribe sebesar 4,2%, tier streaming Microsoft sebesar 5,8%, G​PT Live Transcribe sebesar 8,4%, dan Scribe v2 Realtime sebesar 8,7%. Jadi pembacaan yang jujur adalah: pada jeda 2,4 detik yang nyaman, tier realtime Voxtral kompetitif dengan Microsoft dan mengalahkan model streaming O​penAI dan ElevenLabs, tetapi tidak mengalahkan milik G​oogle, dan pada 240 ms ia lebih buruk daripada semuanya kecuali dua model yang tertinggal. Klaim utama sub-500 ms itu nyata; hanya saja itu membuat Anda kehilangan sekitar tiga poin akurasi dibandingkan menjalankan audio yang sama secara offline.

Diarisasi adalah area di mana keluarga ini tampak paling kuat dan di mana tabel vendor paling banyak berperan. Pada WER minimum-permutation gabungan, Mistral melaporkan 18,4% untuk Voxtral Small Transcribe 3, 18,6% untuk Mini, 19,0% untuk Pyannote Orchestrator Precision 3, 20,3% untuk MAI-Transcribe-2, dan 38,4% untuk G​emini 3.5 Transcribe. Selisih 20 poin dibandingkan G​emini pada atribusi pembicara adalah jenis angka yang menentukan sebuah produk — transkripsi rapat, QA panggilan — tetapi itu adalah harness satu vendor terhadap model vendor lain, dan belum ada pihak ketiga yang menjalankannya ulang.

Apa yang didapat dari harga tersebut, dalam jam

Penagihan per menit mudah dibandingkan dan mudah salah jika alternatifnya adalah per token. Jika dikonversikan ke seribu jam audio, yang kira-kira setara dengan kebutuhan sebulan sebuah pusat kontak ukuran menengah:

• Voxtral Mini Transcribe 3 — $210 per 1.000 jam dengan $0,0035/menit

• Voxtral Small Transcribe 3 — $240 per 1.000 jam dengan tarif $0.004/menit

• Voxtral Mini Transcribe Realtime 3 — US$480 per 1.000 jam dengan US$0,008/menit

• API agen suara dengan penalaran Mistral Small 4 — $2.400 per 1.000 jam percakapan dengan tarif $0,04/menit

Tier agen berharga lima hingga sebelas kali lipat dari tier transkripsi, yang merupakan orde besaran yang tepat begitu Anda ingat bahwa itu mencakup model penalaran dan sintesis ucapan. Di situlah letak marginnya, dan posisi Mistral — verifikasi identitas, pemeriksaan tagihan, pemesanan janji temu — dipilih untuk panggilan di mana satu tugas yang tuntas bernilai lebih dari satu menit komputasi.

Satu peringatan struktural tentang keseluruhan daftar harga: setiap model di sini berada dalam pratinjau publik, bukan GA, dan harga pratinjau untuk speech secara historis telah berubah. Tidak ada komitmen yang dipublikasikan bahwa $0.0035 akan tetap $0.0035.

Apa yang tidak dirilis oleh Mistral

Tidak ada bobot model. Halaman peluncuran menyebutkan Voxtral 3 tersedia melalui API Mistral dengan endpoint UE, AS, dan global, serta "untuk penerapan mandiri di infrastruktur Anda sendiri" — tetapi halaman itu tidak menerbitkan lisensi, tidak mencantumkan jumlah parameter untuk tiga dari empat model, dan tidak menyertakan repositori Hugging Face. Sebagai konteks, rilis ucapan Mistral sebelumnya dapat diunduh: Voxtral Small 24B 2507 berlisensi Apache 2.0 di Hugging Face, Voxtral 4B TTS 2603 berlisensi CC-BY-NC-4.0, dan Voxtral Mini 4B Realtime Arabic dirilis pada 8 Oktober tanpa lisensi yang dinyatakan sama sekali. Rilis ini adalah generasi Voxtral pertama tanpa anggota yang dapat diunduh. Penerapan mandiri di sini terbaca sebagai kontrak perusahaan, bukan unduhan.

Yang juga tidak ada: batas panjang audio maksimum, angka konteks untuk tier T​TS atau agen, dan detail retensi atau residensi data di luar region endpoint. Jika Anda mengevaluasi ini untuk perekaman panggilan yang teregulasi, ketiga celah itulah yang perlu ditutup dalam percakapan pengadaan, bukan dari postingan peluncuran.

Cara benar-benar mencobanya

Voxtral 3 tidak ada dalam katalog OrcaRouter saat ini, jadi jalur untuk mengevaluasinya adalah API dan playground Studio milik Mistral sendiri, yang mencakup transkripsi, pembuatan ucapan, kloning suara, dan pipeline agen. Di mana router benar-benar membantu adalah paruh kedua keputusan: Anda hampir tidak pernah menginginkan satu stack ucapan, dan menempatkan model penalaran yang menangani panggilan alat agen Anda di belakang satu endpoint berarti Anda dapat membandingkan Mistral Small 4 dengan selusin model lain pada transkrip yang sama tanpa membangun ulang pipeline. OrcaRouter meneruskan harga daftar penyedia dengan markup 0% dan otomatis melakukan failover antar penyedia, yang paling penting tepat dalam situasi ini — model tingkat pratinjau tanpa riwayat uptime di depannya.

Urutan evaluasi praktisnya, jika Anda melakukannya minggu ini: jalankan audio terburuk Anda sendiri melalui Voxtral Small Transcribe 3 dan MAI-Transcribe-2 pada 200 file yang sama, karena kedua vendor mencetak skor FLEURS yang sama dan hanya audio Andalah yang bisa memutuskan seri. Lalu jalankan tier real-time pada 960 ms dan 2.400 ms dan hitung seberapa sering detektor akhir giliran memotong penelepon di tengah kalimat — mode kegagalan itu lebih mahal dalam agen live daripada perbedaan WER apa pun di keluarga ini. Kemudian hitung harga per menit agen terhadap tingkat containment Anda, bukan terhadap tagihan transkripsi Anda.

Apa yang harus ditonton

Tiga hal akan menentukan apakah rilis ini tetap relevan dalam jangka panjang. Pengujian ulang independen atas klaim diarisasi, yang merupakan satu-satunya angka dalam peluncuran ini yang benar-benar dapat mengubah keputusan pembelian. Apakah bobotnya akan tersedia, karena Voxtral yang dapat diunduh akan langsung menjadi opsi terbuka default untuk diarisasi bahasa Eropa dan akan meruntuhkan seluruh argumen harga di atas. Dan apakah latensi agen di bawah satu detik tetap bertahan pada teleponi nyata, bukan dalam demo surat rujukan berbahasa Prancis — barge-in dan deteksi akhir giliran adalah titik tempat agen suara biasanya gagal, dan keduanya tidak cukup kuat sebagai bukti hanya karena muncul dalam posting blog vendor.