Mistral의 Voxtral 3, #3 Transcribe 모델과 $13 음성 공개

가장 먼저 내세울 수치는 2.1%입니다. 이는 Artificial Analysis가 측정한 단어 오류율이며, 대상은 Voxtral Small Transcribe 3입니다. 이로써 Mistral의 새 인식기는 2026년 10월 21일 기준 독립 음성-텍스트 순위표에서 3위에 올랐습니다. 1.7%를 기록한 A​libaba의 Fun-Realtime-ASR-preview와 2.0%를 기록한 Microsoft의 MAI-Transcribe-2에만 뒤지고, 2.2%의 ElevenLabs Scribe v2보다는 앞섭니다. 같은 10월 20일 릴리스에서는 Voxtral 3 T​TS도 출시되었습니다. 이 합성 모델은 100만 자당 13달러로 책정되었으며 Provider Voice arena에서 13위, Controlled Voice arena에서 14위를 기록합니다. 이 결과 중 하나는 순위표에서 진정한 상승입니다. 다른 하나는 공격적인 가격표를 단, 경쟁력 있는 중위권 진입이며, 두 모델이 어떻게 발표되었는지와 실제로 어떤 점수를 받았는지 사이의 간극이 이번 출시에서 가장 유용한 정보입니다. 이번과 같은 릴리스 배후의 문서화된 AI 실패 및 에이전트 사건은 다음 아카이브에 수집되어 있습니다: OrcaRouter AI Incident Archive 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 분쟁 플래그가 있습니다.

아래 내용은 세 가지 종류의 주장을 구분합니다. Artificial Analysis의 블라인드 청취 및 전사 보드에서 나온 수치(독립적), Mistral 자체 출시 페이지에서 나온 수치(공급업체 보고), 그리고 공개된 가격을 바탕으로 여기서 계산한 산술입니다. 이들은 서로 바꿔 쓸 수 없으며, 출시 페이지는 이들을 쉽게 혼동할 수 있는 방식으로 제시합니다.

전사 결과가 실제로 Mistral을 순위표에서 위로 끌어올리는 요소다

Voxtral Small Transcribe 3는 4개 모델 패밀리의 플래그십이며, 이번 릴리스에서 기존 강자들을 완전히 앞서는 독립적인 점수를 가진 유일한 모델입니다. 2.1%의 WER로 Microsoft의 MAI-Transcribe-2보다 0.1포인트 뒤지고 Scribe v2보다 0.1포인트 앞서는데, 이 차이는 단일 평가 세트의 노이즈 범위를 충분히 벗어나지 못하는 수준이지만 Mistral을 추격 그룹이 아닌 순위표 최상단의 논의 대상으로 올려놓기에는 충분합니다.

더 놀라운 부분은 속도 수치입니다. Artificial Analysis는 Voxtral Small Transcribe 3의 중앙값 속도 계수를 66.6으로 측정했는데, 이는 최상위 Fun-Realtime-ASR-preview의 20.3, MAI-Transcribe-2의 308.8과 대비됩니다. 쉽게 말해, Mistral의 모델은 연산 1분당 약 67분의 오디오를 전사합니다. 이는 Microsoft의 모델보다 4배 느리고, Alibaba의 모델보다 3배 빠릅니다. 저렴하고 정확하며 적당히 느린 것은 배치 전사에 매우 적합한 형태입니다. 하지만 대화형 작업에는 부적합하며, 그래서 Mistral이 별도의 실시간 모델을 판매하는 것입니다.

10월 20일에 출시된 제품군:

• Voxtral Small Transcribe 3 — 50개 이상 언어, 화자 분리, 컨텍스트 바이어싱, 분당 $0.004(1,000분당 $4.00). 정확도를 위한 선택.

• Voxtral Mini Transcribe 3 — 4B 매개변수, 50개 이상 언어, 분당 $0.0035. 동일한 보드에서 2.2% WER을 기록 — Small 모델과 통계적으로 동등하면서 비용은 12.5% 더 적어, Small 티어의 프리미엄을 정확도만으로 정당화하기 어렵게 만듭니다.

• Voxtral Mini Transcribe Realtime 3 — 스트리밍 방식이며, 500ms 미만의 지연 시간을 주장하고 분당 $0.008입니다. Mistral 자체 페이지에서는 이 모델에 대해 서로 다른 두 위치에서 "35개 이상 언어"와 "40개 이상 언어"라고 모두 말하고 있습니다. 외부에서 어느 쪽이 맞는지 테스트한 사람은 없습니다.

• Voxtral 3 TTS — 배치 및 실시간 합성, 100만 자당 $13, 35개 이상 언어와 50개 이상 방언. Mistral의 가격표에서는 "Voxtral Speech 3"이라 부르고 문서에는 voxtral-mini-tts-3-0으로 기재된 모델.

미스트랄 자체 FLEURS 45 평가에서 Voxtral Small Transcribe 3는 언어를 강제 지정했을 때 4.1% WER, 언어를 추론했을 때 4.0%를 보고한다. 이는 Artificial Analysis가 실행하는 벤치마크와 다른 벤치마크이므로, 벤더 페이지에는 4%, 독립 보드에는 2.1%가 표시된다. 어느 숫자도 틀린 것은 아니다. 어느 쪽이 어느 것인지 밝히지 않은 채 두 수치를 같은 문장에서 인용하는 것이 바로 출시 보도가 잘못되는 방식이다. 미스트랄은 또한 비교 세트에서 가장 낮은 화자 분할 오류인 18.4% cpWER와, 문맥 바이어싱을 적용했을 때 94.6%의 키프레이즈 재현율(적용하지 않았을 때 81.4%에서 상승)을 주장한다 — 벤더 보고 수치이며 재현되지 않았다.

음성 모델은 중위권 수준이지만, 가격이 그 대신 말을 해주고 있다

Mistral의 소셜 게시물은 TTS 출시를 두 텍스트 음성 변환 경쟁 부문 모두에서 상위 12위에 진입한 것으로 표현한다. 10월 21일의 실시간 보드는 다소 완화된 이야기를 들려준다. Voxtral 3 TTS는 Provider Voice에서 1,217 Elo로 13위(95% 구간 1,202–1,232, 11위부터 17위까지 걸친 동점 구간)이며, Controlled Voice에서는 1,066 Elo로 14위(10위부터 19위까지 걸친 동점 구간)다. 다시 말해 두 부문 모두에서 상위 15위 안에 들며, 신뢰구간이 다른 다섯 모델과 겹치므로 정확한 순위는 안정적인 사실이 아니다. 이 모델이 보드에 오른 지는 이틀째이고, 표본 수인 1,619회 비교는 선두 모델들이 누적한 3,000회 이상에 크게 못 미친다.

안정적인 것은 이웃입니다. Elo 1,217에서 Voxtral 3 T​TS는 Realtime T​TS-2 Flash 및 StepAudio 2.5 T​TS와 동일한 수준이며, 1,182의 ElevenLabs Eleven v3보다 앞서고, 1,289의 Cartesia Sonic 3.6, 1,299의 Q​wen-Audio-3.1-T​TS-Plus, 1,328의 ElevenLabs Eleven v4보다는 뒤처집니다.

그 순위 배치에 관해서는 두 가지를 분명히 말할 가치가 있다. 첫째, Voxtral 3 TTS는 Mistral에 있어 세대 대비 확실한 개선이다. 2026년 3월의 Voxtral TTS가 같은 리더보드에서 1,090점을 기록했으므로 이는 127점 상승이다. 둘째, 그 상승이 프런티어와의 격차를 좁히지는 못했다. Mistral의 이전 모델은 한참 뒤처져 있었고, 새 모델은 중위권에 자리한다.

100만 글자당 $13로 실제로 살 수 있는 것

가격은 이번 릴리스가 흥미로워지는 지점이며, 보도자료를 곧이곧대로 읽으면 오해하게 되는 지점이기도 하다. 100만 자당 13달러로, Voxtral 3 T​TS는 음성 분당 약 900자를 가정할 때 생성 음성 1시간당 약 0.70달러가 든다. Cartesia Sonic 3.6은 49달러에 시간당 2.65달러, ElevenLabs Eleven v4는 80달러에 4.32달러, Q​wen-Audio-3.0-T​TS-Plus는 19.31달러에 1.04달러가 든다. 프리미엄 등급과 비교하면 절감 효과는 실재하며 크다.

가성비 티어와 비교하면 압승은 아니다. Simba 3.2는 1,245 Elo로 10위에 있으며, Voxtral 3 T​TS보다 28점 높고, 백만 자당 $6.6으로 가격은 절반이다. Realtime T​TS-2 Flash는 $10.4에 동일한 1,217 Elo를 기록한다. Gemini 3.8 Flash-Lite T​TS는 $11에 1,250점을 기록한다. Elo를 선형으로 취급하지만 실제로는 선형이 아니며 측정치라기보다 대략적인 정렬로 읽어야 하는 조잡한 달러당 Elo 비율로 보면, Voxtral 3 T​TS는 달러당 약 94점으로, Simba 3.2의 189점, Realtime T​TS-2 Flash의 118점과 대비된다.

정직하게 요약하자면, Mistral은 이 모델을 파괴적이라기보다 방어 가능하도록 가격을 책정했다. 이 모델은 자신을 50 Elo 넘게 앞서는 모든 모델보다 가격이 낮고, 품질에서 자신을 앞서는 최소 세 모델에는 가성비에서 뒤진다. 그것은 정상적인 출시이지, 가격 재책정 사건이 아니다.

여기서 라우팅이 중요한 이유는 그 비교를 스프레드시트가 아니라 실시간으로 유지하는 데 있습니다. OrcaRouter는 200개 이상의 모델을 위한 단일 API를 실행하며 공급자의 정가를 0% 마크업으로 그대로 전달합니다. 따라서 Mistral 같은 공급업체가 요금을 변경하면 코드가 보는 숫자도 함께 바뀌고, 음성 파이프라인 뒤의 합성 엔드포인트를 교체하는 일은 두 번째 계약이 아니라 구성 변경이 됩니다. Voxtral 3 T​TS가 그 파이프라인에 속하는지 여부는 그것이 보드에서 최고의 모델인지 여부와는 별개의 질문입니다 — 그리고 오늘 보드에서는 그렇지 않습니다.

릴리스에서 모델이 아닌 부분

10월 20일 Mistral이 출시한 것 중 가장 중요한 것은 두 평가 대상 모델 중 어느 것도 아닐 수 있다. 이 제품군에는 LiveKit 기반의 음성 에이전트 SDK가 포함되어 있으며, SIP 전화, WebRTC, IVR 및 컨택트 센터 통합을 지원하고, 전체 에이전트 턴이 1초 미만이며 끼어들기(barge-in) 처리가 가능하다고 주장한다. Mistral은 음성 입력, 추론, 음성 출력으로 이어지는 전체 에이전트 루프의 가격을 추론 모델이 Mistral Small 4일 때 분당 $0.04, 다른 추론 모델을 사용할 때 분당 $0.08로 책정했다.

그 분당 번들은 문자당 TTS 요금과는 단위가 다르며, 이 둘을 직접 비교하는 것은 흔한 실수입니다. 1분 통화 중 30초 동안 말하는 음성 에이전트는 약 4,500자 분량의 합성을 소비하는데, 백만 자당 13달러 기준으로 6센트가 채 안 됩니다. 따라서 0.04달러 번들은, Mistral의 추론 모델을 어차피 원했다는 전제하에, 부품을 직접 조립하는 것과 충분히 경쟁력이 있습니다. 또한 번들은 페일오버 논거가 프로덕션에서 진가를 발휘하는 지점이기도 합니다. 합성 엔드포인트가 죽어버린 음성 에이전트는 침묵하는 전화선일 뿐이며, 그 파이프라인의 추론 구간이야말로 자동 페일오버를 갖춘 라우터가 바로 필요한 부분입니다.

Mistral이 출시하지 않은 것은 오픈 가중치입니다. Voxtral 3 페이지는 API 액세스, Studio 플레이그라운드, 프라이빗 인프라에서의 자체 배포를 설명하지만, 가중치를 다운로드할 수 있다고는 전혀 명시하지 않습니다. 3월의 Voxtral T​TS는 CC BY-NC 4.0에 따라 Hugging Face에서 출시되었지만, 이번 릴리스에서는 그 어떤 것도 이를 반복하지 않습니다. 셀프 호스팅이 요구 사항이라면, 이 세대는 현재 그것을 충족하지 못합니다.

아직 아무도 측정하지 않은 세 가지

Voxtral 3 TTS에 대해 공개된 지연 시간 수치가 없다는 점은 출시 자료에서 가장 두드러진 공백이다. Mistral은 실시간 전사에 500ms 미만, 에이전트 턴 전체에 1초 미만을 제시하지만, 합성의 첫 오디오까지 걸리는 시간(time-to-first-audio)은 제시하지 않는다. 이 수치가 음성 에이전트가 대화처럼 느껴지는지를 좌우한다. Artificial Analysis는 중앙값 생성 시간 7.2초와 중앙값 처리량 초당 112자를 보고하는데, 두 수치 모두 스트리밍 동작이 아니라 배치 렌더링을 설명한다. 초당 112자라는 중앙값은 괜찮은 수준이다 — ElevenLabs Eleven v3의 56보다 빠르고 Sonic 3.6의 145보다 느리지만 — 첫 200밀리초에 대해서는 아무것도 말해주지 않는다.

보이스 클로닝은 두 번째 격차입니다. Mistral의 "Pro Voice" 적응 기능은 30분 분량의 오디오에서 화자의 캐릭터와 감정 범위를 재현합니다. 이는 스튜디오급 프로세스이지, Cartesia가 광고하는 10초 즉석 클론이나 ElevenLabs가 제공하는 30초 클론이 아니며, Voxtral 3 TTS를 사용자 생성 캐릭터 작업이 아닌 브랜드 보이스용으로 자리매김하게 합니다.

세 번째는 지구력입니다. Mistral의 자체 자료에는 T​TS 엔드포인트의 최대 생성 길이가 명시되어 있지 않고, 아레나 샘플들은 짧은 클립입니다. 장문 내레이션은 10분 내내 일관성을 유지한다면 중위권 Elo 모델이 여전히 정답이 될 수 있는 영역이며, 아무도 그 테스트를 공개하지 않았습니다.

10월 20일을 공정하게 해석하자면, Mistral이 실제 전사 경쟁 제품과, 후보 목록에 올릴 만큼 충분히 좋고 시험해 볼 만큼 저렴한 TTS 모델을 출시했다는 것이다. 전사 부문은 회사가 헤드라인을 얻은 곳이고, 합성 부문은 헤드라인을 산 곳이다.