Voxtral 3 vs Gemini 3.5 Transcribe: Mistral Mengklaim Unggul dalam Kata-kata — Google Unggul dalam Hal Lainnya

Pada satu-satunya metrik yang kedua vendor setujui untuk dicetak, keduanya hanya berselisih tipis. Voxtral Small Transcribe 3 — juru transkripsi unggulan Mistral dari keluarga Voxtral 3 yang dirilis pada 20 Oktober 2026 — berada pada tingkat kesalahan kata 2,1% di papan non-streaming Artificial Analysis. G​emini 3.5 Transcribe, yang dijalankan G​oogle sebagai model yang tersedia secara umum sejak 26 Agustus 2026, berada pada 2,6% di papan yang sama. Selisih lima persepuluh poin berarti sekitar lima kesalahan tambahan per seribu kata. Itu bukan alasan untuk memilih salah satu. Alasannya adalah segala hal di atas kata-kata: G​emini melakukan diarisasi untuk delapan pembicara, menerima seribu istilah kosakata khusus, membersihkan ketidaklancaran dan menyelesaikan koreksi diri dalam satu lintasan, serta mencakup 85+ lokal. Voxtral melakukan diarisasi yang terukur lebih baik menurut tabelnya sendiri, mencakup 50+ bahasa, dan menawarkan tarif per menit yang lebih murah daripada G​oogle. Halaman ini membahas perbedaan mana di antara semuanya yang benar-benar sampai ke pipeline Anda. Tingkat kesalahan kata tidak mencatat bagaimana API transkripsi masing-masing vendor gagal di bawah beban, dan insiden-insiden tersebut terdokumentasi di Arsip Insiden AI OrcaRouter yang setiap entrinya membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status disengketakan.

Apa yang masing-masing jual

Framing Mistral untuk Voxtral Small Transcribe 3 adalah akurasi plus atribusi pembicara. Model ini adalah "model transkripsi dan diarization unggulan" dalam keluarga tersebut, melakukan timestamp dan diarization secara native, dan juga melakukan terjemahan, tanya jawab ucapan, peringkasan, dan function calling — yang merupakan cara halus untuk mengatakan bahwa ini adalah model bahasa-audio yang mentranskripsi, bukan sekadar transkriper. Dengan harga $0.004 per menit dengan konteks 32k, harganya diposisikan sebagai substitusi langsung untuk API transkripsi terkelola.

Kerangka Google untuk Gemini 3.5 Transcribe adalah apa yang terjadi pada transkrip setelah pengenalan. Mode `verbatim` default mempertahankan kata pengisi, awalan keliru, dan pengulangan; mode `smart` menghapusnya dan menerapkan pemformatan terstruktur; kosakata kustom membuat transkripsi lebih condong ke jargon Anda; stempel waktu tingkat kata dikembalikan sebagai anotasi; dan label pembicara muncul sebagai `spk_1`, `spk_2`, dan seterusnya. Layanan ini berjalan melalui Interactions API untuk file dan SKU `gemini-3.5-transcribe-live` terpisah untuk streaming, serta menyediakan tier gratis yang tidak ditawarkan Mistral.

Sederhananya: Mistral menjual telinga yang lebih baik kepada Anda, Google menjual editor yang lebih baik kepada Anda.

Dimensi demi dimensi

• Akurasi independen — Voxtral Small Transcribe 3 pada 2,1% AA-WER vs G​emini 3.5 Transcribe pada 2,6%, keduanya di papan peringkat non-streaming Artificial Analysis. Tabel FLEURS milik Mistral sendiri menunjukkan selisih yang lebih lebar: 4,1% bahasa yang dipaksakan untuk Voxtral vs 6,1% untuk G​emini, tetapi hanya 4,0% vs 4,5% dengan bahasa yang disimpulkan. Papan independen tersebut sependapat dengan pembacaan bahasa yang disimpulkan, jadi perlakukan angka 6,1% sebagai bagian yang belum tuntas dari tabel Mistral alih-alih sebagai angka utama.

• Harga — $0,004/menit vs $0,005/menit, keduanya tarif daftar gabungan. Itu $240 vs $300 per seribu jam audio. Nyata, tetapi tidak menentukan dengan sendirinya; selisih 20% bisa terhapus oleh satu kali menjalankan ulang batch yang buruk.

• Atribusi pembicara — Voxtral Small Transcribe 3 pada 18,4% WER min-permutation tergabung pada harness Mistral, dibandingkan dengan G​emini 3.5 Transcribe pada 38,4% pada tabel vendor yang sama. Ini adalah selisih terbesar dalam posting peluncuran dan yang paling mungkin berdampak. Beri catatan dengan jujur: kedua angka adalah milik Mistral, dijalankan pada harness Mistral, dan G​oogle belum menerbitkan skor diarisasi yang setara untuk dibandingkan. Dokumentasi G​oogle memang mengungkapkan batas maksimum yang bukan tolok ukur — delapan pembicara, dengan atribusi "eksperimental" untuk tiga atau lebih — yang untuk transkripsi rapat merupakan batas produk, bukan pertanyaan kualitas.

• Cakupan bahasa — Voxtral: 50+ bahasa, termasuk semua 24 bahasa resmi UE dan serangkaian bahasa Asia dan Indic dengan sumber daya rendah. Gemini: 85+ lokal dengan petunjuk BCP-47 dan alih kode dalam kalimat. Daftar Google lebih panjang dan, yang lebih penting, disebutkan — Anda dapat memeriksa apakah lokal Anda ada di dalamnya. "50+" Mistral hanyalah jumlah tanpa daftar.

• Batas audio — G​emini membatasi audio unary hingga satu jam, atau tiga puluh menit saat Anda meminta diarisasi atau stempel waktu kata. Mistral sama sekali tidak memublikasikan panjang audio maksimum untuk Voxtral Small Transcribe 3. Diamnya itu bukan fitur. Jika Anda memproses file panjang, G​emini adalah satu-satunya dari keduanya yang batasnya dapat Anda pakai untuk merancang antrean pekerjaan tanpa bertanya ke tim penjualan.

• Kontrol kosakata — Gemini menerima hingga 1.000 istilah khusus (hasil terbaik hingga sekitar 100) dan secara eksplisit memperingatkan bahwa kosakata khusus tidak dapat digabungkan dengan diarisasi atau stempel waktu kata. Context biasing Voxtral menerima istilah kunci dan teks bebas, dan Mistral melaporkan recall frasa kunci sebesar 94,6% dengan prompting vs 81,4% tanpa prompting. Perhatikan bentuk klaim itu: ini adalah recall dengan bias, bukan error dengan bias, dan dilaporkan oleh vendor.

• Penanganan koreksi diri — Mode `smart` G​emini menyelesaikan koreksi diri dan menormalkan angka serta mata uang yang diucapkan. Mistral tidak menawarkan mode setara yang terdokumentasi. Jika audio Anda adalah wawancara atau percakapan pusat panggilan yang penuh dengan "tunggu, bukan itu maksud saya", ini adalah satu-satunya fitur yang paling mungkin menentukan pilihan.

• Streaming — Gemini memiliki SKU live dengan tarif gabungan sekitar $0,009/menit. Tingkat streaming Voxtral adalah model yang berbeda, Voxtral Mini Transcribe Realtime 3, dengan tarif $0,008/menit dan latensi yang dapat dikonfigurasi dari 80 hingga 2.400 ms. Model streaming kedua vendor bukanlah andalan akurasi, jadi membandingkan akurasi streaming dengan angka batch di atas merupakan kesalahan kategori.

• Kematangan — Gemini 3.5 Transcribe telah GA sejak 26 Agustus 2026 dan memiliki skor WER independen di papan publik. Voxtral Small Transcribe 3 berada dalam pratinjau publik per 20 Oktober 2026, tanpa riwayat uptime, tanpa tanggal GA, dan tanpa komitmen yang dipublikasikan bahwa harga pratinjaunya akan tetap berlaku.

Nomor diarisasi itulah yang harus diuji

Jika ada satu kalimat dalam perbandingan ini yang seharusnya membuat Anda memeriksa audio Anda sendiri, kalimat itu adalah ini: Mistral mengklaim error diarisasi 18,4% dibandingkan Gemini 38,4%, dan Google tidak menerbitkan angka pembanding. Itu adalah selisih yang mencurigakan besarnya untuk perbedaan kelas akurasi — 2,1% vs 2,6% pada transkripsi biasa tidak memprediksi selisih 2× pada atribusi pembicara. Ada dua penjelasan yang tersedia dan hanya data Anda yang dapat memisahkannya. Entah diarisasi Gemini memang lebih lemah, yang cocok dengan batas delapan pembicara yang didokumentasikan dan catatan "eksperimental" untuk tiga pembicara atau lebih, atau harness Mistral menyanjung modelnya sendiri dengan cara yang tidak akan tereproduksi oleh pengujian ulang netral.

Uji praktis: ambil empat puluh menit audio multi-pembicara terburuk yang Anda miliki — pembicaraan yang saling tumpang tindih, seorang pembicara melalui saluran telepon, setidaknya satu bagian ketika dua orang berbicara bersamaan — jalankan keduanya, dan hitung pergantian pembicara, bukan kesalahan kata. Itu hanya perlu satu sore dan memutuskan klaim yang tidak dapat diputuskan oleh vendor mana pun untuk Anda.

Berapa biaya transkrip sebenarnya dalam skala besar

Lakukan perhitungan pada organisasi dukungan yang merekam 4.000 jam sebulan. Dengan $0,004/menit, Voxtral Small Transcribe 3 menjadi $960. Dengan $0,005/menit, G​emini 3.5 Transcribe menjadi $1.200. Selisih bulanan $240 itu nyata dan kira-kira setara dengan biaya satu jam kerja engineer per hari kerja, yang merupakan cara tepat untuk menimbangnya: bermakna dibandingkan alternatif self-hosted yang biaya operasionalnya nol bagi Anda, tidak relevan jika mode `smart` G​emini menghilangkan langkah pascapemrosesan yang jika tidak begitu akan Anda bayar.

Langkah pascapemrosesan itulah yang biasanya membuat perbandingan harga gagal. Transkrip mentah dengan kata pengisi dan koreksi diri yang belum terselesaikan memerlukan proses pembersihan — entah lapisan regex yang Anda rawat sendiri atau panggilan LLM per file. Transkrip dari Gemini yang sudah dibersihkan, diberi tanda baca, dan diberi label pembicara tidak memerlukannya. Jika pipeline Anda saat ini menghabiskan satu panggilan model bahasa per transkrip untuk memperbaiki format, masukkan panggilan itu ke dalam perbandingan sebelum Anda menyimpulkan bahwa Mistral 20% lebih murah.

Bagi tim yang menginginkan keduanya — diarisasi Mistral pada panggilan yang pembicaranya penting, pembersihan G​emini pada arsip massal — kendalanya biasanya adalah kunci dan vendor, bukan uang. Katalog model OrcaRouter saat ini tidak mencakup Voxtral 3 maupun G​emini 3.5 Transcribe, jadi pasangan khusus ini tetap berarti dua kontrak. Yang kami bantu adalah lapisan di atasnya: model penalaran yang merangkum atau merutekan transkrip tersebut dapat berasal dari satu endpoint dengan failover otomatis, sehingga pilihan vendor suara tidak juga mengunci pilihan model hilir Anda.

Vonis

Pilih Voxtral Small Transcribe 3 jika masalah Anda adalah pembicara dan bahasa Anda adalah bahasa-bahasa Eropa — klaim diarisasi, 24 bahasa UE, dan tarif 20% lebih rendah semuanya mengarah ke pilihan itu, dan WER 2,1% pada papan evaluasi independen berarti Anda tidak mengorbankan akurasi demi hal itu. Pilih Gemini 3.5 Transcribe jika masalah Anda adalah transkripnya sendiri: koreksi diri, pemformatan, daftar locale bernama yang besar, dan batas durasi audio yang dipublikasikan yang dapat Anda jadikan acuan perencanaan kapasitas. Satu hal yang tidak akan saya lakukan adalah memilih berdasarkan selisih WER 0,5 poin. Selisih itu lebih kecil daripada varians antarrun di papan mana pun, dan kedua vendor mencantumkan angka yang menguntungkan mereka dari keluarga evaluasi yang sama.

Pertanyaan terbuka adalah apa yang terjadi ketika Voxtral Small Transcribe 3 keluar dari pratinjau. Jika Mistral mempertahankan $0.004 dan pengujian ulang diarisasi independen mengonfirmasi selisih 18 poin, ini tidak lagi menjadi keputusan yang nyaris bagi siapa pun yang melakukan analitik rapat atau panggilan. Jika harga berubah saat GA, kasusnya menyempit kembali hanya ke cakupan bahasa dan atribusi pembicara.