Voxtral 3 TTS vs Voxtral 4B TTS: il modello più recente che non puoi scaricare

Il fatto scomodo riguardo a Voxtral 3 T​TS è che è migliore di Voxtral 4B T​TS in quasi ogni aspetto misurabile e peggiore nell'unico aspetto che decide alcuni deployment: non puoi averlo. Mistral ha rilasciato Voxtral 4B T​TS il 23 marzo 2026 come open weights — mistralai/Voxtral-4B-T​TS-2603 su Hugging Face, CC BY-NC 4.0, scaricabile ed eseguibile sui propri acceleratori. Voxtral 3 T​TS è arrivato il 20 ottobre 2026 solo come prodotto API. La pagina di lancio descrive endpoint UE, USA e globali, playground di Studio e self-deployment su infrastruttura privata, e non dice mai che i pesi siano disponibili. Quindi il successore arrivato sette mesi dopo è migliore di 127 Elo nella classifica di ascolto alla cieca (1.217 contro 1.090), il 19% più economico a 13 $ contro 16 $ per milione di caratteri, e circa il 42% più veloce a 112 contro 79 caratteri al secondo — e non è comunque un sostituto diretto del modello che sostituisce, perché quello più vecchio è l'unico membro di questa famiglia che un'azienda possa effettivamente possedere. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

Due modelli, sette mesi, un confine di licenza

Vale la pena enunciare con precisione quel confine prima di qualsiasi benchmark, perché riordina l'intera comparazione.

• Voxtral 4B TTS — pesi aperti con licenza CC BY-NC 4.0. Uso non commerciale. Puoi scaricarlo, ispezionarlo, eseguirlo ed effettuarne il fine-tuning; non puoi includerlo in un prodotto a pagamento. La restrizione deriva dai dataset di voci di riferimento alla base, non da alcun limite tecnico del checkpoint. L'auto-hosting per valutazione interna va bene; l'auto-hosting in un servizio commerciale rivolto ai clienti no.

• Voxtral {{1}}3 T​TS{{/1}} — chiuso. Nessun peso pubblicato al 21 ottobre 2026. «Self-deployment su infrastruttura privata o su un cloud privato» sulla pagina di Mistral è un'offerta di deployment enterprise negoziata con il fornitore, non un link per il download, e confondere le due cose è l'errore più facile da fare quando si legge quella pagina di fretta.

La conseguenza pratica: se il motivo per cui volevi Voxtral 4B T​TS era che l'audio non lascia mai la tua rete, Voxtral 3 T​TS non lo sostituisce a meno che tu non firmi qualcosa con Mistral. Se il motivo era che costava meno di un'API ospitata, Voxtral 3 T​TS lo sostituisce sul prezzo e lo supera sulla qualità, e la questione della licenza scompare perché stai acquistando un servizio anziché un file. Lo stesso intervallo di sette mesi si risolve in modo diverso a seconda di quale di queste due frasi descrive la tua situazione.

Il tabellone

• Voice Elo del provider — Voxtral 3 T​TS: 1.217 (#13 di 98), intervallo al 95% 1.202–1.232. Voxtral 4B T​TS: 1.090 (#46), intervallo 1.078–1.102. Entrambi secondo Artificial Analysis, rilevati il 21 ottobre 2026.

• Prezzo per 1M di caratteri: 13,00 $ contro 16,00 $. A circa 900 caratteri per minuto di parlato, 0,70 $ contro 0,86 $ l'ora.

• Throughput — mediana di 112 caratteri al secondo rispetto a 79, misurata da Artificial Analysis sull'host nativo di ciascun modello.

• Lingue — Voxtral 3 TTS: 35+ lingue e 50+ dialetti, preset in 18. Voxtral 4B TTS: 9 lingue — inglese, francese, tedesco, spagnolo, olandese, portoghese, italiano, hindi, arabo, con supporto dei dialetti.

• Adattamento vocale — Voxtral 3 T​TS: "Pro Voice", 30 minuti di audio. Voxtral 4B T​TS: un prompt di riferimento di 5–25 secondi, descritto nella model card come di appena 3 secondi.

• Pesi — chiusi rispetto a aperti (CC BY-NC 4.0).

La questione delle lingue è il cambiamento più grande di cui nessuno ha scritto. Voxtral 4B T​TS copre nove lingue; il nuovo modello dichiara 35+ lingue e 50+ dialetti. Si tratta di un'espansione quadrupla del prodotto, ed è un argomento più forte per l'aggiornamento rispetto all'Elo — 127 punti ti portano dal centro della classifica al centro della classifica, ma passare da nove lingue a trentacinque cambia i mercati in cui puoi vendere.

La linea di adattamento vocale va nella direzione opposta ed è l’unica vera regressione. Voxtral 4B T​TS clona da una breve clip di riferimento — appena tre secondi secondo la model card, con l’architettura che descrive una finestra di prompt da 5–25 secondi. Pro Voice di Voxtral 3 T​TS richiede trenta minuti di audio per riprodurre il carattere, la gamma emotiva e lo stile di un parlante in più lingue. Trenta minuti sono una sessione in studio. Tre secondi sono una funzionalità. Se il tuo prodotto consente a un utente di sentire la propria voce, il modello più recente è peggiore in questo compito.

Che cos'è davvero il 4B, sotto il cofano

Il numero di parametri nel nome del vecchio modello descrive un'architettura reale, e spiega sia i suoi punti di forza sia perché il successore non sia semplicemente una versione più grande di essa.

{{1}}Voxtral 4B T​TS{{/1}} conta circa quattro miliardi di parametri in tre parti: {{2}}un backbone decoder transformer da 3,4B costruito su Ministral 3B{{/2}}, {{3}}un transformer acustico flow-matching da 390M{{/3}} e {{4}}un codec audio neurale da 300M{{/4}}. È autoregressivo su un codec VQ semantico con un vocabolario di 8.192 token, che alimenta una testa flow-matching che predice caratteristiche acustiche FSQ su 36 dimensioni a 21 livelli, funzionando a 12,5 Hz. In parole semplici: {{5}}un piccolo modello linguistico legge il testo e pianifica{{/5}}, {{6}}una rete flow-matching trasforma quel piano in caratteristiche audio{{/6}} e {{7}}un codec trasforma le caratteristiche in campioni{{/7}}. Genera nativamente fino a due minuti, con output più lunghi gestiti tramite interleaving nell'API.

Il dato pubblicato da Mistral per il modello di marzo era di 70 millisecondi di latenza del modello per un campione vocale da 10 secondi e 500 caratteri, con un fattore di tempo reale di circa 9,7x. Quei numeri sono stati misurati sullo stack di serving di Mistral, non in modo indipendente, e descrivono un modello che era davvero veloce per la sua generazione. Il throughput del modello di ottobre su Artificial Analysis, 112 caratteri al secondo contro 79, suggerisce che il successore sia ancora più veloce, ma Mistral non pubblica affatto un time-to-first-audio per Voxtral 3 T​TS, il che è una strana omissione per un'azienda il cui precedente modello T​TS apriva con un dato di latenza.

Due generazioni di architettura sono visibili anche nel conteggio delle lingue. Nove lingue a marzo, oltre trentacinque a ottobre, con i modelli di trascrizione della famiglia che dichiarano tutte le 24 lingue ufficiali dell'UE. Qualunque cosa sia cambiata tra i due checkpoint ha modificato i dati di addestramento e la copertura del tokenizer molto più di quanto abbia modificato lo stack acustico.

Chi dovrebbe tenere il 4B, e chi dovrebbe spostarsi?

Mantieni Voxtral 4B T​TS se una di queste condizioni è vera. Hai bisogno che l'audio venga elaborato su hardware che controlli e non puoi negoziare un deployment privato. Stai facendo ricerca o valutazione, dove CC BY-NC 4.0 consente l'uso e la licenza non costa nulla. Hai bisogno di clonazione vocale con riferimento breve — tre secondi contro trenta minuti non è una scelta difficile. Stai lavorando in una delle nove lingue supportate e la qualità è sufficiente, nel qual caso un checkpoint gratuito che esegui già vale più di uno migliore che devi chiamare.

Passa a Voxtral 3 T​TS se una qualsiasi di queste condizioni è vera. Stai vendendo l'output e quindi non ti è comunque mai stato consentito di self-hostare il 4B per uso commerciale — nel qual caso eri già sull'API a $0.016 per mille caratteri, e il nuovo $13 per milione costa il 19% in meno per un modello migliore di 127 punti Elo, che è l'upgrade più semplice di questo articolo. Hai bisogno di una lingua al di fuori delle nove originali. Hai bisogno dello stack per agenti: Voxtral 3 T​TS viene fornito con un SDK per agenti vocali basato su LiveKit, supporto SIP e WebRTC, turni dell'agente inferiori al secondo e un prezzo bundle al minuto di $0.04 con reasoning Mistral Small 4, nessuna delle quali esisteva ai tempi del modello di marzo.

C'è un terzo gruppo che dovrebbe usarli entrambi, ed è più grande di quanto sembri: team che fanno prototipi sul checkpoint aperto e servono tramite l'API. Voxtral 4B T​TS ti offre un modello locale con cui testare prompt, voci e modalità di errore senza costi per chiamata e senza che i dati escano dall'azienda; Voxtral 3 T​TS ti offre l'endpoint di produzione con la copertura linguistica e la licenza per vendere. I due condividono una discendenza comune ma non una superficie API, quindi prevedi che i prompt richiederanno una nuova messa a punto: un divario di qualità di 127 punti indica un modello diverso, non un aggiornamento di versione, e i controlli di direzione che si comportavano in un certo modo sul 4B non necessariamente si trasferiranno.

Se il percorso di produzione deve sopravvivere all'interruzione di un fornitore, è questo l'argomento a favore di mettere la chiamata di sintesi dietro un router invece di chiamare Mistral direttamente. OrcaRouter offre un unico endpoint compatibile con OpenAI su oltre 200 modelli con il prezzo di listino dei fornitori passato senza ricarichi, con markup allo 0%, così un'interruzione su un backend di sintesi attiva il failover invece di restare in silenzio — e una pipeline vocale che genera batch notturni è esattamente il carico di lavoro in cui un endpoint non funzionante costa una notte anziché una singola richiesta. I modelli di Mistral sono raggiungibili tramite l'API di Mistral stesso e diverse piattaforme di terze parti; controlla il catalogo per la disponibilità attuale prima di progettare su uno specifico ID di modello.

La domanda a cui Mistral non ha risposto

Voxtral 3 T​TS otterrà pesi aperti? Il modello di marzo lo ha fatto, con una licenza non commerciale, ed è diventato il punto di riferimento per com'è fatto un checkpoint T​TS aperto di un laboratorio europeo. Niente nel lancio di ottobre lo ripete. La pagina è esplicita sull'accesso API e sul deployment privato e tace sui download, che è lo stesso schema che Mistral ha usato per diversi dei suoi modelli testuali prima di rilasciare i pesi mesi dopo.

Se i pesi verranno effettivamente rilasciati, il confronto cambia completamente: i termini della licenza decideranno se il modello aperto è utilizzabile commercialmente, e il precedente — CC BY-NC 4.0 — suggerisce che non lo sarà. Ciò lascerebbe la situazione più o meno com'è ora, con il modello scaricabile ridotto a un artefatto di ricerca e quello utilizzabile a un servizio.

L'altra domanda senza risposta è se il 4B manterrà la sua presenza nel listino API. La tabella dei prezzi vocali di Mistral elenca la nuova famiglia e non menziona il modello di marzo, mentre Artificial Analysis lo monitora ancora a $16 con un host attivo. Storicamente Mistral ha mantenuto richiamabili i modelli vocali più vecchi per una lunga coda; se questo vale ancora, i team hanno un fallback davvero utile — un modello leggermente peggiore e leggermente più costoso che è comunque un deployment diverso. Se non è così, chiunque abbia sviluppato su voxtral-mini-tts-latest a marzo deve verificare a quale modello quell'alias risolva ora prima della prossima fattura.

La versione breve: Voxtral 3 T​TS è il modello migliore e la risorsa peggiore. Acquistalo per le lingue, la qualità e lo stack per agenti; mantieni Voxtral 4B T​TS per il lavoro locale, la clonazione con riferimenti brevi e le nove lingue che già gestisce bene. L'unica migrazione inequivocabilmente corretta è quella dall'API ospitata del 4B a quella nuova — stesso fornitore, stessa impostazione in materia di licenze, più economica e migliore — ed è l'unica mossa in questo confronto che non costa nulla fare.