Voxtral 3 di Mistral conquista un modello Transcribe al #3 e una voce da 13 dollari

Il numero con cui aprire è 2,1%. È il tasso di errore a livello di parola che Artificial Analysis ha misurato per Voxtral Small Transcribe 3, il che colloca il nuovo modello di riconoscimento di Mistral al terzo posto nella classifica indipendente speech-to-text al 21 ottobre 2026 — dietro solo a Fun-Realtime-ASR-preview di A​libaba con 1,7% e a MAI-Transcribe-2 di Microsoft con 2,0%, e davanti a ElevenLabs Scribe v2 con 2,2%. La stessa versione del 20 ottobre ha anche introdotto Voxtral 3 T​TS, un modello di sintesi con un prezzo di 13 $ per milione di caratteri che si colloca al tredicesimo posto nella Provider Voice arena e al quattordicesimo nella Controlled Voice arena. Uno di questi risultati è un vero e proprio avanzamento in classifica. L'altro è una proposta competente di metà classifica con un prezzo aggressivo, e il divario tra come sono stati annunciati i due e come si sono effettivamente posizionati è la cosa più utile del lancio. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, livello di confidenza e flag di contestazione.

Tutto ciò che segue separa tre tipi di affermazione: i numeri provenienti dalle board di ascolto cieco e trascrizione di Artificial Analysis (indipendenti), i numeri dalla pagina di lancio di Mistral stessa (dichiarati dal fornitore) e i calcoli fatti qui a partire dai prezzi pubblicati. Non sono intercambiabili, e la pagina di lancio li presenta in un modo che rende facile confonderli.

Il risultato della trascrizione è quello che fa davvero salire Mistral in classifica

Voxtral Small Transcribe 3 è il modello di punta della famiglia di quattro modelli, ed è l'unica parte del rilascio con un punteggio indipendente che batte nettamente i concorrenti affermati. Con un WER del 2,1% è 0,1 punti dietro MAI-Transcribe-2 di Microsoft e 0,1 davanti a Scribe v2 — margini ben all'interno del rumore di un singolo set di valutazione, ma sufficienti a mettere Mistral nella conversazione ai vertici della classifica anziché nel gruppo degli inseguitori.

Il dato sulla velocità è la metà più sorprendente. Artificial Analysis misura un fattore di velocità mediano di 66,6 per Voxtral Small Transcribe 3, contro 20,3 per Fun-Realtime-ASR-preview, primo in classifica, e 308,8 per MAI-Transcribe-2. In parole povere, il modello di Mistral trascrive circa 67 minuti di audio per minuto di calcolo: quattro volte più lento di quello di Microsoft, tre volte più veloce di quello di Alibaba. Economico, accurato e moderatamente lento è un profilo perfettamente adeguato per la trascrizione in batch; è un profilo scarso per qualsiasi uso interattivo, ed è per questo che Mistral vende un modello realtime separato.

La famiglia, così come spedita il 20 ottobre:

• Voxtral Small Transcribe 3 — 50+ lingue, diarizzazione, bias contestuale, $0,004 al minuto ($4,00 per 1.000 minuti). La scelta per l'accuratezza.

• Voxtral Mini Transcribe 3 — 4 miliardi di parametri, oltre 50 lingue, 0,0035 $ al minuto. Ottiene un WER del 2,2% sulla stessa classifica — statisticamente allo stesso livello del modello Small con il 12,5% di costo in meno, il che rende difficile giustificare il sovrapprezzo del livello Small solo in base all'accuratezza.

• Voxtral Mini Transcribe Realtime 3 — streaming, latenza dichiarata inferiore a 500 ms, 0,008 $ al minuto. La pagina ufficiale di Mistral riporta sia "oltre 35 lingue" sia "oltre 40 lingue" per questo modello in due punti diversi; nessuno all'esterno ha verificato quale delle due sia corretta.

• Voxtral 3 T​TS — sintesi batch e in tempo reale a 13 $ per milione di caratteri, oltre 35 lingue e oltre 50 dialetti. Il modello che la tabella dei prezzi di Mistral chiama "Voxtral Speech 3" e che la sua documentazione elenca come voxtral-mini-tts-3-0.

Nella valutazione FLEURS 45 di Mistral stessa, Voxtral Small Transcribe 3 riporta un WER del 4,1% con lingua forzata e del 4,0% con lingua inferita. Si tratta di un benchmark diverso da quello eseguito da Artificial Analysis, ed è per questo che la pagina del fornitore mostra il 4% e la classifica indipendente mostra il 2,1%. Nessuno dei due numeri è sbagliato; citarli nella stessa frase senza dire quale sia quale è il modo in cui la copertura del lancio va storta. Mistral dichiara anche il minor errore di diarizzazione nel proprio set di confronto, con il 18,4% di cpWER e il 94,6% di recall delle frasi chiave con context biasing, in aumento rispetto all'81,4% senza — dati riportati dal fornitore, non riprodotti.

Il modello vocale è nella media, ed è il prezzo a convincere

Il post sui social di Mistral presenta il lancio di TTS come un ingresso nella top 12 di entrambe le arene text-to-speech. Le classifiche live del 21 ottobre raccontano una storia leggermente più sfumata: Voxtral 3 TTS si colloca al 13° posto in Provider Voice con 1.217 Elo (intervallo al 95% 1.202–1.232, una fascia di parità che va dall'11° al 17° posto) e al 14° posto in Controlled Voice con 1.066 Elo (una fascia di parità dal 10° al 19°). In altre parole, è nella top fifteen in entrambe — e gli intervalli di confidenza si sovrappongono a quelli di altri cinque modelli, quindi il posizionamento esatto non è un dato stabile. È il secondo giorno del modello in classifica e il suo numero di campioni, 1.619 confronti, è ben al di sotto dei 3.000+ accumulati dai leader.

Ciò che è stabile è il vicinato. Con 1.217 Elo, Voxtral 3 T​TS è allo stesso livello di Realtime T​TS-2 Flash e StepAudio 2.5 T​TS, davanti a ElevenLabs Eleven v3 a 1.182, e dietro a Cartesia Sonic 3.6 a 1.289, Q​wen-Audio-3.1-T​TS-Plus a 1.299 ed ElevenLabs Eleven v4 a 1.328.

Due cose su quel posizionamento meritano di essere dette chiaramente. Primo, Voxtral 3 TTS è un chiaro miglioramento generazionale per Mistral: il Voxtral TTS di marzo 2026 ha ottenuto 1.090 sulla stessa classifica, quindi si tratta di un salto di 127 punti. Secondo, il salto non ha colmato il divario con la frontiera. Il modello precedente di Mistral era molto indietro; quello nuovo è nel mezzo del gruppo.

Cosa si compra davvero con 13 dollari per un milione di caratteri

Il prezzo è il punto in cui questo rilascio diventa interessante, e dove una lettura letterale del comunicato stampa ti trarrebbe in inganno. A $13 per milione di caratteri, Voxtral 3 T​TS costa circa $0,70 per ora di parlato generato, ipotizzando circa 900 caratteri per minuto pronunciato. Cartesia Sonic 3.6 costa $2,65 all'ora a $49, ElevenLabs Eleven v4 costa $4,32 a $80, e Q​wen-Audio-3.0-T​TS-Plus costa $1,04 a $19,31. Rispetto alla fascia premium, il risparmio è reale e consistente.

Nel confronto con la fascia economica non è un knockout. Simba 3.2 si colloca al #10 con 1.245 Elo — 28 punti sopra Voxtral 3 T​TS — a 6,6 $ per milione di caratteri, metà del prezzo. Realtime T​TS-2 Flash ottiene gli stessi 1.217 Elo a 10,4 $. Gemini 3.8 Flash-Lite T​TS totalizza 1.250 a 11 $. Su un rapporto grezzo Elo per dollaro, che tratta l'Elo come lineare quando non lo è e va letto come un ordinamento approssimativo più che come una misurazione, Voxtral 3 T​TS si attesta a circa 94 punti per dollaro contro 189 per Simba 3.2 e 118 per Realtime T​TS-2 Flash.

Il riassunto onesto è che Mistral ha fissato il prezzo del modello per renderlo difendibile anziché dirompente. Costa meno di ogni modello che lo supera di oltre 50 Elo, e perde sul rapporto qualità-prezzo rispetto ad almeno tre modelli che lo superano in qualità. Questo è un lancio normale, non un evento di riprezzamento.

Qui il routing è importante per mantenere quel confronto in tempo reale invece che in un foglio di calcolo. OrcaRouter offre un'unica API per oltre 200 modelli e applica il prezzo di listino del provider con markup 0%, così quando un fornitore come Mistral modifica una tariffa il numero che il tuo codice vede si aggiorna di conseguenza, e sostituire l'endpoint di sintesi dietro una pipeline vocale è una modifica di configurazione anziché un secondo contratto. Se Voxtral 3 T​TS appartenga a quella pipeline è una questione separata dal fatto che sia il modello migliore in classifica — e in classifica, oggi, non lo è.

La parte della release che non è un modello

La cosa più significativa che Mistral ha rilasciato il 20 ottobre potrebbe non essere nessuno dei due {{1}}modelli valutati{{/1}}. La famiglia include un {{2}}SDK per agenti vocali{{/2}} basato su LiveKit, che supporta telefonia SIP, WebRTC, IVR e integrazioni con contact center, con un turno completo dell’agente dichiarato sotto il secondo e {{3}}gestione del barge-in{{/3}}. Mistral fissa il prezzo dell’intero ciclo dell’agente — voce in ingresso, ragionamento, voce in uscita — a {{4}}0,04 $ al minuto{{/4}} quando il modello di ragionamento è Mistral Small 4, oppure {{5}}0,08 $ al minuto{{/5}} con un diverso modello di ragionamento.

Quel pacchetto al minuto è un'unità diversa da una tariffa TTS per carattere, e confrontare direttamente le due cose è un errore comune. Un agente vocale che parla per 30 secondi di una chiamata di un minuto consuma circa 4.500 caratteri di sintesi, che a 13 $ per milione corrispondono a meno di sei centesimi — quindi il pacchetto da 0,04 $ è competitivo rispetto all'assemblare i componenti da soli, sempre che si volesse comunque il modello di ragionamento di Mistral. Il pacchetto è anche il punto in cui l'argomento del failover dimostra il proprio valore in produzione: un agente vocale con un endpoint di sintesi non funzionante è una linea telefonica muta, e la componente di ragionamento di quella pipeline è esattamente il tipo di cosa per cui un router con failover automatico è pensato.

Ciò che Mistral non ha distribuito sono i pesi aperti. La pagina di Voxtral 3 descrive l’accesso tramite API, i playground di Studio e il self-deployment su infrastrutture private, ma non afferma mai che i pesi siano scaricabili. Il Voxtral TTS di marzo è stato distribuito su Hugging Face con licenza CC BY-NC 4.0; nulla in questa release lo ripete. Se il self-hosting è un requisito, questa generazione al momento non lo soddisfa.

Tre cose che nessuno ha ancora misurato

L'assenza di un dato di latenza pubblicato per Voxtral 3 T​TS è la lacuna più evidente nel materiale di lancio. Mistral indica meno di 500 ms per la trascrizione in tempo reale e meno di un secondo per un intero turno dell'agente, ma nessun tempo al primo audio per la sintesi, che è il numero che determina se un agente vocale sembra conversazionale. Artificial Analysis riporta un tempo di generazione mediano di 7,2 secondi e una velocità mediana di 112 caratteri al secondo, entrambi descrivono il rendering batch più che il comportamento in streaming. Una mediana di 112 caratteri al secondo è rispettabile — più veloce dei 56 di ElevenLabs Eleven v3 e più lenta dei 145 di Sonic 3.6 — ma non dice nulla sui primi 200 millisecondi.

Il clonaggio vocale è il secondo divario. L'adattamento "Pro Voice" di Mistral riproduce il carattere e la gamma emotiva di un parlante da 30 minuti di audio. Si tratta di un processo di livello studio, non del clone istantaneo in dieci secondi pubblicizzato da Cartesia o del clone in trenta secondi offerto da ElevenLabs, e posiziona Voxtral 3 T​TS per voci di marca anziché per lavori sui personaggi generati dagli utenti.

Il terzo è la resistenza. I materiali di Mistral non indicano una lunghezza massima di generazione per l'endpoint TTS, e i campioni dell'arena sono clip brevi. La narrazione di lunga durata è il caso in cui un modello Elo di fascia media può comunque essere la risposta giusta, se mantiene la coerenza per dieci minuti, e nessuno ha pubblicato quel test.

La lettura equa del 20 ottobre è che Mistral ha rilasciato un vero concorrente per la trascrizione e un modello TTS abbastanza buono da entrare nella lista ristretta e abbastanza economico da essere provato. La classifica della trascrizione è dove l'azienda si è guadagnata un titolo. La classifica della sintesi è dove se l'è comprato.