Voxtral 3: Mistral, 네 가지 음성 모델과 음성 에이전트 API를 동일한 과금 기준으로 통합하다

Mistral의 10월 20일 출시에서 흥미로운 숫자는 단어 오류율이 아니다. 그것은 분당 $0.04이다. 이는 회사가 Voxtral 3 음성 에이전트, 즉 발신자의 말을 듣고, Mistral Small 4로 그들이 말한 내용을 추론하며, 도구를 호출하고 다시 말하는 엔드투엔드 파이프라인에 부과하는 요금이다. Mistral이 별도로 판매하는 부분들을 합산하면 같은 1분의 비용은 더 높아진다: Voxtral Mini Transcribe Realtime 3가 $0.008, 여기에 일반적인 말하기 속도 기준 약 $0.02의 Voxtral Mini T​TS 3, 그 위에 추론 모델까지. 번들로 묶인 1분이 바로 제품이다. 나머지 — Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 — 따로 골라 살 수 있는 구성 요소로, 그리고 그 구성 요소들이 번들로 묶을 가치가 있을 만큼 충분히 좋다는 점을 보여주는 방식으로 판매된다. 음성 에이전트 파이프라인은 요금표에서 결코 언급하지 않는 방식으로 실패하며, 기록된 사고들은 OrcaRouter AI Incident Archive에 목록화되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이의 제기 여부 플래그가 포함된다.

모델별로 실제로 새로운 것은 무엇인가

이는 단일 모델의 버전 업그레이드가 아니라 제품군 전체의 리프레시입니다. 각 제품은 저마다 다른 역할과 다른 가격을 가지며, 공유된 이름보다 이 구분이 더 중요합니다.

• Voxtral Small Transcribe 3 — 정확도 등급입니다. 분당 $0.004, 32k 컨텍스트, 그리고 화자 분리를 포함한 전사에 대한 Mistral의 대표적인 주장입니다. 또한 번역, 음성 Q&A, 요약, 함수 호출도 수행하므로, 전사기보다 오디오-언어 모델에 더 가까운 이 제품군의 유일한 구성원입니다.

• Voxtral Mini Transcribe 3 — 40억 개 파라미터, 분당 $0.0035, 32k 컨텍스트. Mistral은 이 모델의 크기는 공개하면서 Small 모델의 크기는 밝히지 않았다. 이 비대칭성은 주목할 만하다. 미니 모델은 대량 처리와 엣지 배포를 겨냥해 포지셔닝된 모델이므로 그 규모가 판매 포인트가 되지만, 플래그십 모델의 규모는 공개되지 않는다.

• Voxtral Mini Transcribe Realtime 3 — WebSocket을 통한 스트리밍 방식으로 분당 $0.008이며, 지연 시간은 80ms에서 2,400ms까지 구성할 수 있고, 침묵을 기다리는 대신 음향 및 의미 단서를 결합한 발화 종료 감지를 제공합니다. 문서에는 "500ms 미만"이라고 나와 있지만, 구성 가능한 최저값은 그보다 훨씬 낮으며, 지연을 낮출 때 정확도 비용이 상당합니다 — 벤치마크 섹션을 참조하세요.

• Voxtral Speech 3(문서에서는 Voxtral Mini T​TS 3로 판매됨) — 100만 자당 13달러, 첫 오디오까지 약 90ms, 감정 태그 34개와 속도 태그 2개, 9개 언어, 제로샷 및 "프로페셔널" 음성 복제. Mistral의 출시 페이지에서는 복제에 30분 이상의 참조 오디오가 필요하다고 밝힙니다.

그 아래에는 LiveKit와 스트리밍 ASR, LLM, TTS를 하나의 파이프라인으로 구축한 음성 에이전트 SDK가 있습니다. SIP 통화, WebRTC 세션, 기존 전화망 또는 IVR 트렁크를 받아들이고, 끼어들기(barge-in)를 지원하며, 에이전트를 다시 구축하지 않고도 추론 모델, 음성 또는 언어를 교체할 수 있습니다. Mistral은 지연 시간이 1초 미만이라고 밝힙니다.

벤치마크 표를 주의 깊게 읽으십시오.

Mistral은 자체 수치를 공개했는데, 좋은 수치입니다. FLEURS 45 매크로 평균 단어 오류율에서 Voxtral Small Transcribe 3는 언어를 강제 지정한 경우 4.1%, 언어를 추론한 경우 4.0%를 기록합니다. Voxtral Mini Transcribe 3는 4.6% / 4.5%입니다. 같은 벤더 표에서 비교하면 Gemini 3.5 Transcribe는 6.1% / 4.5%, Scribe v2는 4.9%, GPT Transcribe는 6.3% / 5.6%, Whisper large-v3는 16.0% / 14.9%입니다.

그 표에서 두 가지는 다시 볼 필요가 있다. 첫째, Microsoft의 MAI-Transcribe-2는 4.1% / 4.0%로, Voxtral Small Transcribe 3와 소수점 한 자리까지 똑같다. 플래그십이 가장 가까운 경쟁자와 정확히 동점을 이룬 벤더 표는 정직한 동점이거나 반올림한 동점인데, Mistral은 어느 쪽인지 말하지 않는다. 둘째, Whisper 수치는 다른 누구도 Whisper에 대해 인용하지 않는 숫자다. Whisper large-v3는 Open ASR Leaderboard에서 평균 WER 7.44를 기록했고, Turbo 변형은 Artificial Analysis의 독립 보드에서 4.6%를 기록했다. 16퍼센트는 Whisper가 특히 어려운 다국어 FLEURS 오디오에서 보이는 모습이지, 실제 프로덕션 영어에서 보이는 모습이 아니다. 경쟁자에게 가장 가혹한 슬라이스를 사용하는 것은 흔한 마케팅 수법이지만, 어쨌든 마케팅 수법이다.

독립 리더보드가 더 정밀한 이야기를 들려준다. Artificial Analysis 기준으로 Voxtral Small Transcribe 3는 AA-WER 2.1%, Voxtral Mini Transcribe 3는 2.2%다. 이 글을 쓰는 시점에 비스트리밍 리더보드에서 각각 1위와 2위이며, 보드를 읽는 시점에 따라 그 위 자리에 2.0%의 MAI-Transcribe-2가 있을 수 있다. 차이가 워낙 작아서 재실행하면 순위는 바뀔 것이다. 0.1점 차이로 승자를 인용하는 것은 노이즈를 인용하는 것과 같다.

실시간 티어가 정확성을 되찾아 주는 곳

스트리밍 수치는 Mistral이 공개한 것 중 가장 유용합니다. 가장 덜 좋게 보이는 수치이기 때문입니다. FLEURS 35에서 오프라인 Voxtral Mini Transcribe 3 기준선은 WER 4.0%입니다. 실시간 모델은 더 빨리 답하도록 요구할수록 단조롭게 성능이 저하됩니다:

• 2,400ms 지연 시간 — 5.7% WER

• 960ms — 6.0%

• 480ms — 6.4%

• 240ms — 7.4%

이에 반해 Mistral은 G​emini 3.5 Realtime Transcribe를 4.2%, Microsoft의 스트리밍 티어를 5.8%, G​PT Live Transcribe를 8.4%, Scribe v2 Realtime을 8.7%로 제시한다. 따라서 솔직하게 해석하면, 여유 있는 2.4초 지연에서는 Voxtral 실시간 티어가 Microsoft와 경쟁력이 있고 O​penAI 및 ElevenLabs 스트리밍 모델을 앞서지만, G​oogle의 모델을 앞서지는 못하며, 240ms에서는 뒤처지는 두 모델을 제외한 모든 모델보다 나쁘다. 500ms 미만이라는 헤드라인은 사실이다. 다만 동일한 오디오를 오프라인으로 실행할 때와 비교해 대략 3포인트의 정확도 비용이 든다.

화자 분리는 이 제품군이 가장 강해 보이는 부분이자 벤더 비교표가 가장 많은 역할을 하는 부분이다. 연결된 최소 순열 WER 기준으로, Mistral은 Voxtral Small Transcribe 3에 18.4%, Mini에 18.6%, Pyannote Orchestrator Precision 3에 19.0%, MAI-Transcribe-2에 20.3%, Gemini 3.5 Transcribe에 38.4%를 보고한다. 화자 귀속에서 Gemini보다 20포인트 앞선다는 것은 제품—회의 전사, 통화 QA—을 결정할 수 있는 종류의 수치이지만, 이는 한 벤더의 하네스가 다른 벤더의 모델을 상대로 낸 결과이며, 어떤 제3자도 이를 재실행하지 않았다.

가격으로 구매할 수 있는 시간

분당 과금은 비교하기 쉽지만, 대안이 토큰당 과금일 때는 잘못 판단하기 쉽습니다. 이를 1,000 오디오 시간으로 환산하면, 이는 대략 중규모 컨택트 센터의 한 달 분량에 해당합니다:

• Voxtral Mini Transcribe 3 — 1,000시간당 $210, 분당 $0.0035

• Voxtral Small Transcribe 3 — 1,000시간당 $240, 분당 $0.004

• Voxtral Mini Transcribe Realtime 3 — 1,000시간당 $480, 분당 $0.008

• Mistral Small 4 추론을 갖춘 음성 에이전트 API — 대화 1,000시간당 $2,400, 분당 $0.04

에이전트 티어는 전사 티어 가격의 5~11배인데, 추론 모델과 음성 합성이 포함된다는 점을 떠올리면 이는 올바른 규모입니다. 또한 마진이 발생하는 곳이기도 하며, Mistral의 포지셔닝 — 신원 확인, 청구서 확인, 예약 — 은 완료된 작업 하나가 1분의 컴퓨팅 비용보다 더 가치 있는 통화를 위해 선택된 것입니다.

가격표 전체에 대한 구조적 주의사항 한 가지: 여기 있는 모든 모델은 퍼블릭 프리뷰이며 GA가 아니고, 음성 분야의 프리뷰 가격은 역사적으로 변동해 왔습니다. $0.0035가 $0.0035로 유지된다는 공개된 약속은 없습니다.

Mistral이 출시하지 않은 것

가중치는 없습니다. 출시 페이지에는 Voxtral 3가 EU, US 및 글로벌 엔드포인트를 갖춘 Mistral의 API를 통해 이용 가능하며, “자체 인프라에 직접 배포하기 위한” 용도라고 적혀 있지만, 라이선스도, 네 모델 중 세 모델의 파라미터 수치도, Hugging Face 저장소도 공개하지 않습니다. 참고로 Mistral의 이전 음성 릴리스들은 다운로드할 수 있었습니다: Voxtral Small 24B 2507은 Hugging Face에서 Apache 2.0이고, Voxtral 4B T​TS 2603은 CC-BY-NC-4.0이며, Voxtral Mini 4B Realtime Arabic은 라이선스를 전혀 선언하지 않은 채 10월 8일에 올라왔습니다. 이번 릴리스는 다운로드 가능한 구성원이 없는 첫 Voxtral 세대입니다. 여기서 자체 배포는 다운로드가 아니라 엔터프라이즈 계약으로 읽힙니다.

또한 최대 오디오 길이, TTS 또는 에이전트 티어에 대한 컨텍스트 수치, 그리고 엔드포인트 리전 외의 보존 또는 데이터 상주 관련 세부 정보도 없습니다. 규제 대상 통화 녹음을 위해 이를 평가하고 있다면, 이 세 가지 공백은 출시 게시물이 아니라 조달 논의에서 해소해야 할 사항입니다.

실제로 시도하는 방법

Voxtral 3는 현재 OrcaRouter의 카탈로그에 없으므로, 이를 평가하는 경로는 Mistral 자체 API와 Studio 플레이그라운드이며, 이들은 전사, 음성 생성, 음성 복제 및 에이전트 파이프라인을 포괄합니다. 라우터가 실제로 도움이 되는 지점은 결정의 후반부입니다. 하나의 음성 스택만 원하는 경우는 거의 없으며, 에이전트의 도구 호출을 처리하는 추론 모델을 단일 엔드포인트 뒤에 두면 파이프라인을 재구축하지 않고도 동일한 트랜스크립트에서 Mistral Small 4를 다른 수십 개 모델과 비교할 수 있습니다. OrcaRouter는 제공업체 정가를 0% 마크업으로 그대로 전달하고 제공업체 간 자동으로 페일오버하므로, 바로 이런 상황, 즉 가동 시간 이력이 전혀 없는 프리뷰 등급 모델을 다룰 때 가장 중요합니다.

이번 주에 실제로 평가한다면 실무적인 순서는 이렇습니다. 동일한 200개 파일로 자사에서 가장 품질이 나쁜 오디오를 Voxtral Small Transcribe 3와 MAI-Transcribe-2에 모두 돌려 보세요. 두 공급업체가 동일한 FLEURS 점수를 표기하므로, 그 차이를 가릴 수 있는 것은 여러분의 오디오뿐입니다. 그다음 실시간 티어를 960 ms와 2,400 ms에서 실행하고, 턴 종료 감지기가 통화자의 문장을 중간에 끊는 빈도를 세어 보세요. 이 실패 모드는 이 제품군의 어떤 WER 차이보다 라이브 에이전트에서 더 큰 비용을 초래합니다. 마지막으로 에이전트 분당 비용을 전사 청구서가 아니라 자사의 컨테인먼트율에 견주어 평가하세요.

볼 만한 것

이번 릴리스가 시간이 지나도 가치를 유지할지는 세 가지가 결정할 것이다. 화자 분리 주장에 대한 독립적인 재실행, 즉 이번 출시에서 구매 결정을 실제로 바꿀 수 있는 유일한 수치다. 가중치가 공개될지 여부, 다운로드 가능한 Voxtral은 즉시 유럽 언어 화자 분리의 기본 오픈 옵션이 되어 위의 전체 가격 논거를 약화시킬 것이기 때문이다. 그리고 1초 미만의 에이전트 지연이 프랑스어 추천서 데모가 아니라 실제 전화 통신에서 유지되는지 여부다. 끼어들기와 발화 종료 감지는 음성 에이전트가 보통 실패하는 지점이며, 둘 다 벤더 블로그 게시물만으로는 증거가 되지 못한다.