Voxtral 3 対 Gemini 3.5 Transcribe：Mistral は「言葉」で勝ると主張、Google はそれ以外で勝る

両ベンダーが公表することで一致している唯一の指標では、この2つはごくわずかの差しかありません。Voxtral Small Transcribe 3 — Mistralのフラッグシップ・トランスクライバーであり、Voxtral 3ファミリーから2026年10月20日にリリースされた — は、Artificial Analysisの非ストリーミング・ボードで単語誤り率2.1%です。G​emini 3.5 Transcribeは、G​oogleが2026年8月26日から一般提供モデルとして運用しており、同じボードで2.6%です。0.5ポイントの差は、およそ1000語あたり5件の余分な誤りに相当します。それがどちらかを選ぶ理由ではありません。理由は言葉の先にあるすべてにあります。G​eminiは8話者分の話者分離を行い、1000件のカスタム語彙を取り込み、単一パスで非流暢表現を除去して自己修正を解決し、85以上のロケールをカバーします。Voxtralは自社の表では話者分離が測定可能なほど優れており、50以上の言語をカバーし、G​oogleの分あたり料金を下回ります。このページでは、そうした違いのどれが実際にあなたのパイプラインに届くのかを扱います。単語誤り率は、どちらかのベンダーの文字起こしAPIが負荷時にどのように失敗するかを記録していません。そうしたインシデントはOrcaRouter AI Incident Archiveにまとめられており、各項目には独自の情報源、重大度、信頼度グレード、係争中フラグが付いています。

それぞれが販売しているもの

MistralによるVoxtral Small Transcribe 3の位置づけは、精度と話者帰属です。これはファミリー内の「旗艦となる文字起こし・ダイアライゼーションモデル」であり、タイムスタンプとダイアライゼーションをネイティブに処理し、さらに翻訳、音声Q&A、要約、関数呼び出しも行います。これは、文字起こし専用ツールというより、文字起こしも行う音声言語モデルだということを控えめに表現したものです。32kコンテキストで毎分0.004ドルの価格設定は、マネージド文字起こしAPIの直接的な代替として位置づけられています。

GoogleによるGemini 3.5 Transcribeの位置づけは、認識後にトランスクリプトがどうなるかという点にあります。デフォルトの`verbatim`モードではフィラー、言い直し、繰り返しが保持され、`smart`モードではそれらを取り除いて構造化フォーマットを適用します。カスタム語彙はあなたの専門用語に寄るようバイアスをかけ、単語レベルのタイムスタンプはアノテーションとして返され、話者ラベルは`spk_1`、`spk_2`などとして付与されます。ファイルの場合はInteractions APIを通じて実行され、ストリーミングの場合は別個の`gemini-3.5-transcribe-live` SKUを通じて実行されます。また、Mistralにはない無料枠も用意されています。

端的に言えば、Mistralはより良い「耳」を、G​oogleはより良い「編集者」を売っているのだ。

次元ごとに

• 独立系の精度 — Voxtral Small Transcribe 3 は 2.1% の AA-WER、G​emini 3.5 Transcribe は 2.6% で、いずれも Artificial Analysis の非ストリーミングリーダーボードによる数値です。Mistral 自身の FLEURS の表ではもっと大きな差が示されています。言語を強制した場合は Voxtral が 4.1%、G​emini が 6.1% ですが、言語を推論した場合は 4.0% 対 4.5% にとどまります。独立系のリーダーボードは推論言語に基づく解釈と一致しているため、6.1% という数値は見出しではなく、Mistral の表のほつれ端として扱うべきです。

• 価格 — 毎分$0.004対$0.005、いずれもブレンド済みのリスト料率です。これは音声1,000時間あたり$240対$300に相当します。実際の差ではありますが、それだけでは決定的ではありません。20%の差は、不良バッチを一度再実行するだけで吹き飛んでしまいます。

• 話者帰属 — Voxtral Small Transcribe 3 は Mistral のハーネス上で連結最小置換 WER 18.4%、同じベンダー表で Gemini 3.5 Transcribe は 38.4% です。これはローンチ投稿で最大の差であり、最も重要になる可能性が高いものです。正直に注記すると、どちらの数値も Mistral のもので、Mistral のハーネスで実行されており、Google は照合できる同等のダイアライゼーションスコアを公開していません。Google のドキュメントは、ベンチマークではない厳格な上限を開示しています。つまり 8 話者で、3 話者以上では帰属が「実験的」です。これは会議の文字起こしにとって品質の問題ではなく製品上の制限です。

• 言語カバレッジ — Voxtral：50以上の言語。EUの24の公用語すべてと、低リソースのアジア言語およびインド系言語の一群を含む。Gemini：BCP-47ヒントと文内コードスイッチングに対応した85以上のロケール。Googleのリストはより長く、さらに重要なことに名称が明示されている——自分のロケールがそこに含まれているかを確認できる。Mistralの「50以上」は、リストのない単なる数だ。

• 音声の上限 — G​emini は単発の音声を最大1時間、話者分離または単語タイムスタンプを要求した場合は30分に制限します。Mistral は Voxtral Small Transcribe 3 について音声の最大長を一切公表していません。その沈黙は機能ではありません。長いファイルを処理する場合、営業に問い合わせることなくジョブキューの規模を決められるのは、両者のうち G​emini だけです。

• 語彙制御 — Gemini は最大 1,000 件のカスタム用語を受け付け（最良の結果は約 100 件まで）、カスタム語彙は話者分離や単語タイムスタンプと併用できないと明示的に警告しています。Voxtral のコンテキストバイアスはキー用語と自由形式のテキストを受け取り、Mistral はプロンプトありでキーフレーズ再現率 94.6%、なしで 81.4% と報告しています。この主張の形に注意してください。これはバイアスを適用した場合の再現率であり、バイアスを適用した場合のエラーではなく、ベンダーによる報告です。

• 自己修正の処理 — Geminiの`smart`モードは自己修正を解決し、話された数字や通貨を正規化します。Mistralには同等の機能を持つ文書化されたモードがありません。音声が「いや待って、こう言いたかった」で溢れるインタビューやコールセンターの通話であれば、これが選択を決める唯一の機能になる可能性が最も高いです。

• ストリーミング — G​emini には約 $0.009/分（混合）のライブ SKU があります。Voxtral のストリーミング層は別モデルの Voxtral Mini Transcribe Realtime 3 で、$0.008/分、レイテンシは 80～2,400 ms で設定可能です。どちらのベンダーのストリーミングモデルも精度のフラッグシップではないため、ストリーミングの精度を上記のバッチ数値と比較するのはカテゴリーエラーです。

• 成熟度 — G​emini 3.5 Transcribe は2026年8月26日からGA提供中で、公開ボード上に独立したWERスコアがあります。Voxtral Small Transcribe 3は2026年10月20日時点で公開プレビュー中であり、稼働履歴もGA日も、プレビュー価格が維持されるという公表された確約もありません。

テスト対象となるのはダイアライゼーション番号です

この比較の中で、自分の音声データを確認させる一文があるとすれば、これだ。Mistralは話者分離エラー18.4%と主張し、Geminiは38.4%、そしてGoogleは対抗する数字を公表していない。これは精度クラスの違いにしては不自然に大きい差だ——通常の文字起こしでの2.1%対2.6%は、話者帰属で2×の差を予測しない。説明は二つ考えられ、それを分けるのはあなたのデータだけだ。Geminiの話者分離が本当に弱い（これは文書化された8話者上限と、3話者以上に対する「実験的」という注記に合致する）か、あるいはMistralの評価ハーネスが、中立的な再実行では再現しない形で自社モデルを都合よく見せているかだ。

実地テスト：手持ちで最も条件の悪い複数話者の音声を40分用意する——クロストークあり、電話回線越しの話者あり、少なくとも1か所は二人が同時に話している場面あり——それを両方に通し、単語の誤りではなく話者の切り替わりを数える。それなら午後ひとつ分で決着がつき、どちらのベンダーにもあなたの代わりに決着をつけられない主張に白黒つけられる。

大規模運用時にトランスクリプトへ実際にかかるコストとは

月間4,000時間を記録するサポート組織で計算してみましょう。$0.004/分なら、Voxtral Small Transcribe 3は$960になります。$0.005/分なら、G​emini 3.5 Transcribeは$1,200になります。月額$240の差は現実のもので、およそ稼働日1日あたりエンジニア1時間分のコストに相当します。これが正しい比較の仕方です。運用コストがかからないセルフホスト型の代替案と比べれば意味があり、G​eminiの`smart`モードが、本来なら支払うことになる後処理ステップを不要にするなら無関係です。

その後処理のステップこそが、価格比較がたいてい破綻する場所です。フィラーや未解決の自己修正を含む生の文字起こしにはクリーンアップ処理が必要です——自分で保守する正規表現レイヤーか、ファイルごとのLLM呼び出しのいずれかです。G​eminiによる、クリーンアップされ、句読点が付き、話者がラベル付けされた文字起こしには不要です。もし現在のパイプラインが書式修正のために文字起こしごとに言語モデル呼び出しを消費しているなら、Mistralが20%安いと結論づける前に、その呼び出しを比較に含めてください。

両方を求めるチームにとって——話者が重要な通話にはMistralの話者分離を、大量のアーカイブにはG​eminiのクリーンアップを——制約となるのは通常、コストではなくAPIキーとベンダーです。OrcaRouterのモデルカタログには現在、Voxtral 3もG​emini 3.5 Transcribeも含まれていないため、この組み合わせには依然として2つの契約が必要です。当社がお手伝いできるのは、その上のレイヤーです。これらの文字起こしを要約したりルーティングしたりする推論モデルは、単一のエンドポイントと自動フェイルオーバーを組み合わせて利用できるため、音声ベンダーの選択が下流のモデル選択まで固定されることもありません。

評決

話者が問題で、対象言語が欧州の言語なら、Voxtral Small Transcribe 3 を選べばよい——ダイアライゼーションの主張、24 の EU 言語、20% 低い料金はすべて同じ方向を指しており、独立系ボードでの WER 2.1% は、そのために精度を犠牲にしているわけではないことを意味する。問題が文字起こしそのものなら、G​emini 3.5 Transcribe を選べばよい。自己修正、フォーマット、名前付きロケールの大きなリスト、そして容量計画に使える公開された音声長の上限がある。私がやらない唯一のことは、0.5 ポイントの WER 差で選ぶことだ。それはどのボードでも実行ごとのばらつきより小さく、両ベンダーとも同じ評価群から自分に都合のよい数字を公表している。

未解決の疑問は、Voxtral Small Transcribe 3 がプレビューを終了したときに何が起こるかだ。Mistral が 0.004 ドルを維持し、独立したダイアライゼーションの再実行が 18 ポイントの差を裏付ければ、会議や通話の分析に携わる者にとってこれはもはや僅差の話ではなくなる。GA 時に価格が動けば、論点は言語カバレッジと話者帰属だけに絞り戻される。