Voxtral 3 vs Gemini 3.5 Transcribe: Mistral afferma di vincere sulle parole — Google vince sul resto

Sull'unico parametro che entrambi i fornitori accettano di pubblicare, questi due sono separati da un soffio. Voxtral Small Transcribe 3 — il trascrittore di punta di Mistral della famiglia Voxtral 3, rilasciata il 20 ottobre 2026 — si attesta a un tasso di errore sulle parole del 2,1% nella classifica non streaming di Artificial Analysis. G​emini 3.5 Transcribe, che G​oogle offre come modello con disponibilità generale dal 26 agosto 2026, si attesta al 2,6% nella stessa classifica. Cinque decimi di punto equivalgono a circa cinque errori in più ogni mille parole. Non è questo il motivo per scegliere l'uno o l'altro. I motivi sono tutto ciò che sta sopra le parole: G​emini esegue la diarizzazione per otto parlanti, accetta mille termini di vocabolario personalizzato, ripulisce le disfluenze e risolve le autocorrezioni in un'unica passata, e copre oltre 85 locale. Voxtral esegue la diarizzazione in modo misurabilmente migliore secondo la propria tabella, copre oltre 50 lingue e offre una tariffa al minuto inferiore a quella di G​oogle. Questa pagina riguarda quali di queste differenze arrivano davvero alla tua pipeline. I tassi di errore sulle parole non registrano in che modo l'API di trascrizione di un fornitore o dell'altro fallisce sotto carico, e tali incidenti sono catalogati all'interno dell'Archivio degli incidenti AI di OrcaRouter dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

Che cosa vende ciascuno

Il posizionamento di Mistral per Voxtral Small Transcribe 3 punta su precisione e attribuzione dei parlanti. È il “modello di punta per trascrizione e diarizzazione” della famiglia, gestisce timestamp e diarizzazione in modo nativo e supporta anche traduzione, Q&A vocale, riassunti e function calling — il che è un modo discreto per dire che è un modello audio-linguistico che trascrive, più che un trascrittore. A 0,004 $ al minuto con contesto da 32k, è prezzato come sostituto diretto delle API di trascrizione gestite.

Il posizionamento di G​oogle per G​emini 3.5 Transcribe riguarda ciò che accade alla trascrizione dopo il riconoscimento. La modalità predefinita `verbatim` mantiene riempitivi, falsi inizi e ripetizioni; la modalità `smart` li rimuove e applica una formattazione strutturata; un vocabolario personalizzato orienta verso il tuo gergo; i timestamp a livello di parola tornano come annotazioni; e le etichette degli interlocutori arrivano come `spk_1`, `spk_2` e così via. Funziona tramite l'Interactions API per i file e uno SKU separato `gemini-3.5-transcribe-live` per lo streaming, e include un livello gratuito che Mistral non offre.

In parole semplici: Mistral ti sta vendendo un orecchio migliore, G​oogle ti sta vendendo un editor migliore.

Dimensione per dimensione

• Accuratezza indipendente — Voxtral Small Transcribe 3 al 2,1% AA-WER contro G​emini 3.5 Transcribe al 2,6%, entrambi sulla classifica non streaming di Artificial Analysis. La tabella FLEURS di Mistral mostra un divario più ampio: 4,1% con lingua forzata per Voxtral contro 6,1% per G​emini, ma solo 4,0% contro 4,5% con lingua inferita. La classifica indipendente concorda con la lettura basata sulla lingua inferita, quindi considerate il dato del 6,1% come il punto debole della tabella di Mistral anziché come il dato principale.

• Prezzo — $0,004/min rispetto a $0,005/min, entrambe tariffe di listino combinate. Ovvero $240 contro $300 per mille ore di audio. È un dato reale, ma non decisivo di per sé; un delta del 20% viene cancellato da una sola riesecuzione di un lotto difettoso.

• Attribuzione del parlante — Voxtral Small Transcribe 3 a 18,4% di WER concatenato con min-permutazione sull'harness di Mistral, contro G​emini 3.5 Transcribe a 38,4% sulla stessa tabella del fornitore. Questo è il divario più ampio nel post di lancio e quello che più probabilmente conta. Va precisato onestamente: entrambi i numeri sono di Mistral, eseguiti sull'harness di Mistral, e G​oogle non ha pubblicato alcun punteggio di diarizzazione equivalente con cui confrontarli. La documentazione di G​oogle rivela però un tetto massimo che non è un benchmark — otto parlanti, con attribuzione "sperimentale" per tre o più — che per la trascrizione di riunioni è un limite di prodotto, non una questione di qualità.

• Copertura linguistica — Voxtral: oltre 50 lingue, comprese tutte le 24 lingue ufficiali dell'UE e una serie di lingue asiatiche e indiche a basse risorse. Gemini: oltre 85 varianti locali con suggerimenti BCP-47 e commutazione di codice all'interno della frase. L'elenco di Google è più lungo e, cosa ancora più importante, riporta i nomi: puoi verificare se la tua variante locale è presente. Il "50+" di Mistral è un conteggio senza un elenco.

• Limiti audio — G​emini limita l'audio unario a un'ora, oppure a trenta minuti quando richiedi la diarizzazione o i timestamp delle parole. Mistral non pubblica alcuna lunghezza massima dell'audio per Voxtral Small Transcribe 3. Quel silenzio non è una funzionalità. Se elabori file lunghi, G​emini è l'unico dei due su cui puoi dimensionare una coda di lavori senza chiedere al reparto commerciale.

• Controllo del vocabolario — Gemini accetta fino a 1.000 termini personalizzati (i risultati migliori si ottengono fino a circa 100) e avverte esplicitamente che il vocabolario personalizzato non può essere combinato con la diarizzazione o con i timestamp a livello di parola. Il bias contestuale di Voxtral accetta termini chiave e testo libero, e Mistral riporta un recall delle frasi chiave del 94,6% con prompting rispetto all'81,4% senza. Nota la forma di questa affermazione: è un recall con bias, non errori con bias, ed è riportato dal fornitore.

• Gestione delle autocorrezioni — La modalità `smart` di G​emini risolve le autocorrezioni e normalizza i numeri e gli importi in valuta pronunciati. Mistral non offre una modalità documentata equivalente. Se il tuo audio è costituito da interviste o da conversazioni di call center piene di "no, aspetta, intendevo", questa è la singola funzionalità più probabilmente decisiva per la scelta.

• Streaming — G​emini ha una SKU live a circa $0,009/min in media. Il livello streaming di Voxtral è un modello diverso, Voxtral Mini Transcribe Realtime 3, a $0,008/min con latenza configurabile da 80 a 2.400 ms. Il modello streaming di nessuno dei due fornitori è il flagship per l'accuratezza, quindi confrontare l'accuratezza dello streaming con i numeri batch sopra è un errore di categoria.

• Maturità — G​emini 3.5 Transcribe è disponibile in GA dal 26 agosto 2026 e ha un punteggio WER indipendente su una classifica pubblica. Voxtral Small Transcribe 3 è in anteprima pubblica dal 20 ottobre 2026, senza storico di uptime, senza data GA e senza alcun impegno pubblicato che il prezzo di anteprima rimanga valido.

Il numero di diarizzazione è quello da testare

Se c’è una sola frase in questo confronto che dovrebbe portarti al tuo audio, è questa: Mistral dichiara un errore di diarizzazione del 18,4% contro il 38,4% di G​emini, e G​oogle non pubblica alcun contro-dato. Si tratta di un divario sospettosamente ampio per una differenza di classe di accuratezza: il 2,1% contro il 2,6% sulla trascrizione semplice non lascia prevedere un divario di 2× nell’attribuzione dei parlanti. Sono disponibili due spiegazioni e solo i tuoi dati le separano. O la diarizzazione di G​emini è davvero più debole, il che sarebbe coerente con il suo limite documentato di otto parlanti e con la nota "sperimentale" per tre o più parlanti, oppure il banco di prova di Mistral favorisce il proprio modello in un modo che una riesecuzione neutrale non riprodurrebbe.

Prova pratica: prendi quaranta minuti del peggior audio multi-relatore che hai — voci sovrapposte, un relatore su linea telefonica, almeno un punto in cui due persone parlano contemporaneamente — esegui entrambi e conta i cambi di relatore invece degli errori sulle parole. Ti basta un pomeriggio e risolvi una questione che nessuno dei due fornitori può risolvere per te.

Quanto costano davvero le trascrizioni su larga scala

Fai i calcoli per un'organizzazione di supporto che registra 4.000 ore al mese. A 0,004 $/min, Voxtral Small Transcribe 3 arriva a 960 $. A 0,005 $/min, G​emini 3.5 Transcribe arriva a 1.200 $. Il divario mensile di 240 $ è reale ed è all'incirca il costo di un'ora di ingegnere per giorno lavorativo, che è il modo corretto di valutarlo: significativo rispetto a un'alternativa self-hosted i cui costi operativi non ti costano nulla, irrilevante se la modalità `smart` di G​emini elimina un passaggio di post-elaborazione che altrimenti pagheresti.

È in quel passaggio di post-elaborazione che il confronto dei prezzi di solito si rompe. Una trascrizione grezza con riempitivi e autocorrezioni non risolte richiede un passaggio di pulizia — o un livello regex che mantieni tu, oppure una chiamata a un LLM per file. Una trascrizione pulita, punteggiata e con etichette dei parlanti prodotta da G​emini non ne ha bisogno. Se la tua pipeline attualmente consuma una chiamata a un modello linguistico per trascrizione per correggere la formattazione, includi quella chiamata nel confronto prima di concludere che Mistral costa il 20% in meno.

Per i team che vogliono entrambe le cose — la diarizzazione di Mistral sulle chiamate in cui l'identità dei parlanti è importante, la pulizia di Gemini sull'archivio di massa — il vincolo è di solito rappresentato da chiavi e fornitori più che dal denaro. Il catalogo modelli di OrcaRouter non include attualmente né Voxtral 3 né Gemini 3.5 Transcribe, quindi questa particolare combinazione implica ancora due contratti. Dove possiamo aiutare è nel livello superiore: il modello di ragionamento che riassume o instrada quelle trascrizioni può provenire da un endpoint unico con failover automatico, così la scelta del fornitore di speech-to-text non vincola anche la scelta del modello downstream.

Verdetto

Scegli Voxtral Small Transcribe 3 se il tuo problema sono i parlanti e le tue lingue sono europee — la dichiarazione sulla diarizzazione, le 24 lingue dell'UE e la tariffa inferiore del 20% puntano tutte nella stessa direzione, e un WER del 2,1% su una classifica indipendente significa che non stai sacrificando l'accuratezza per ottenerlo. Scegli G​emini 3.5 Transcribe se il tuo problema è la trascrizione stessa: autocorrezioni, formattazione, un ampio elenco di locale con nome e un limite pubblicato alla durata audio su cui puoi pianificare la capacità. L'unica cosa che non farei è scegliere in base al divario di 0,5 punti nel WER. È più piccolo della varianza tra esecuzioni su qualsiasi classifica, ed entrambi i fornitori stampano il numero che fa loro comodo dalla stessa famiglia di valutazioni.

La questione aperta è cosa succede quando Voxtral Small Transcribe 3 esce dall'anteprima. Se Mistral mantiene $0.004 e una nuova esecuzione indipendente della diarizzazione conferma il divario di 18 punti, questa smette di essere una scelta incerta per chiunque si occupi di analisi di riunioni o chiamate. Se il prezzo cambia con la disponibilità generale, il caso si restringe di nuovo alla sola copertura linguistica e all'attribuzione del parlante.