Voxtral 3 vs Gemini 3.5 Transcribe: Mistral은 단어에서 이긴다고 말한다 — Google은 나머지에서 이긴다

두 벤더가 모두 공개하기로 합의한 유일한 지표에서, 이 둘은 털끝 하나 차이 나지 않는다. Voxtral Small Transcribe 3는 2026년 10월 20일 출시된 Voxtral 3 패밀리의 Mistral 대표 트랜스크라이버로, Artificial Analysis의 비스트리밍 보드에서 단어 오류율 2.1%를 기록한다. G​emini 3.5 Transcribe는 2026년 8월 26일부터 G​oogle이 정식 제공(GA) 모델로 운영해 온 것으로, 같은 보드에서 2.6%를 기록한다. 0.5포인트 차이는 대략 1,000단어당 오류 5개가 더 생긴다는 뜻이다. 그것이 둘 중 하나를 고르는 이유는 아니다. 이유는 단어 위에 있는 모든 것에 있다: G​emini는 8명 화자 분리를 수행하고, 사용자 지정 어휘 용어 1,000개를 받아들이며, 비유창성을 정리하고 자기 수정을 한 번의 처리로 해결하며, 85개 이상의 로캘을 아우른다. Voxtral은 자사 표 기준으로 화자 분리를 측정 가능할 만큼 더 잘 수행하고, 50개 이상의 언어를 지원하며, G​oogle의 분당 요금보다 저렴하다. 이 페이지는 그 차이 중 어느 것이 실제로 당신의 파이프라인에 도달하는지에 관한 것이다. 단어 오류율은 두 벤더의 트랜스크립션 API가 부하 상황에서 어떻게 실패하는지를 기록하지 않으며, 그런 사건들은 the OrcaRouter AI Incident Archive에 목록화되어 있는데, 각 항목은 자체 출처, 심각도, 신뢰 등급, 이의 제기 플래그를 함께 담고 있다.

각각 무엇을 판매하고 있는지

Mistral이 Voxtral Small Transcribe 3를 내세우는 핵심은 정확성과 화자 귀속입니다. 이 모델은 제품군 내 "플래그십 전사 및 다이어리제이션 모델"로, 타임스탬프와 다이어리제이션을 기본 제공하며 번역, 음성 Q&A, 요약, 함수 호출까지 수행합니다. 이는 곧 이 모델이 단순 전사기가 아니라 전사를 수행하는 오디오-언어 모델임을 조용히 시사하는 표현입니다. 32k 컨텍스트에 분당 $0.004라는 가격으로, 관리형 전사 API를 직접 대체하는 용도로 책정되었습니다.

Gemini 3.5 Transcribe에 대한 Google의 설명은 인식 이후 전사본이 어떻게 처리되는지에 초점을 맞춘다. 기본 `verbatim` 모드는 필러, 말을 시작했다 끊긴 부분, 반복을 유지하고, `smart` 모드는 이를 제거한 뒤 구조화된 서식을 적용한다. 사용자 지정 어휘는 사용자의 전문 용어 쪽으로 편향되며, 단어 단위 타임스탬프는 주석으로 반환되고, 화자 레이블은 `spk_1`, `spk_2` 등으로 제공된다. 파일의 경우 Interactions API를 통해, 스트리밍의 경우 별도 `gemini-3.5-transcribe-live` SKU를 통해 실행되며, Mistral이 제공하지 않는 무료 티어도 갖추고 있다.

간단히 말해: Mistral은 더 나은 귀를 팔고, G​oogle은 더 나은 편집자를 판다.

차원별로

• 독립 정확도 — Voxtral Small Transcribe 3는 2.1% AA-WER, Gemini 3.5 Transcribe는 2.6%로, 둘 다 Artificial Analysis의 비스트리밍 리더보드 기준입니다. Mistral 자체 FLEURS 표에는 더 큰 격차가 표시됩니다. Voxtral은 강제 언어 설정에서 4.1%, Gemini는 6.1%이지만, 언어 추론 설정에서는 각각 4.0%와 4.5%입니다. 독립 리더보드는 언어 추론 기준 해석과 일치하므로, 6.1% 수치는 헤드라인이라기보다 Mistral 표의 정리되지 않은 부분으로 보아야 합니다.

• 가격 — 분당 $0.004 vs $0.005, 둘 다 블렌디드 정가 기준입니다. 이는 오디오 1,000시간당 $240 vs $300입니다. 실질적이지만 그 자체로 결정적이지는 않습니다; 20% 차이는 나쁜 배치를 한 번 다시 실행하면 사라집니다.

• 화자 귀속 — Mistral의 하네스에서 Voxtral Small Transcribe 3가 연결 최소 순열(concatenated min-permutation) WER 18.4%를 기록한 반면, 같은 벤더 표에서 G​emini 3.5 Transcribe는 38.4%였습니다. 이는 출시 게시물에서 가장 큰 격차이며, 가장 중요하게 작용할 가능성이 높은 항목입니다. 솔직히 단서를 달자면, 두 수치 모두 Mistral의 것이고 Mistral의 하네스에서 측정된 것이며, G​oogle은 대조해 볼 만한 동등한 화자 분리 점수를 공개하지 않았습니다. 다만 G​oogle의 문서에는 벤치마크가 아닌 확실한 상한선이 공개되어 있습니다. 바로 화자 8명이며, 3명 이상일 때 귀속은 "실험적"으로 표시되는데, 회의 전사에서 이는 품질의 문제가 아니라 제품의 한계입니다.

• 언어 지원 범위 — Voxtral: EU의 24개 공식 언어 전부와 일부 저자원 아시아 및 인도계 언어를 포함해 50개 이상의 언어. Gemini: BCP-47 힌트와 문장 내 코드 스위칭을 갖춘 85개 이상의 로캘. Google의 목록은 더 길고, 더 중요하게는 이름이 명시되어 있어 해당 로캘이 포함되는지 확인할 수 있습니다. Mistral의 "50+"는 목록 없는 숫자에 불과합니다.

• 오디오 제한 — G​emini는 단일 요청 오디오를 최대 1시간으로 제한하며, 화자 분리나 단어 타임스탬프를 요청하면 30분으로 제한합니다. Mistral은 Voxtral Small Transcribe 3의 최대 오디오 길이를 전혀 공개하지 않습니다. 그 침묵은 기능이 아닙니다. 긴 파일을 처리한다면, 영업팀에 문의하지 않고도 작업 큐의 규모를 산정할 수 있는 것은 두 제품 중 G​emini뿐입니다.

• 어휘 제어 — G​emini는 최대 1,000개의 사용자 지정 용어를 허용하며(최상의 결과는 약 100개까지), 사용자 지정 어휘는 화자 분리 또는 단어 타임스탬프와 결합할 수 없다고 명시적으로 경고합니다. Voxtral의 문맥 바이어싱은 핵심 용어와 자유 형식 텍스트를 받아들이며, Mistral은 프롬프팅을 사용했을 때 핵심 구문 재현율이 94.6%, 사용하지 않았을 때 81.4%라고 보고합니다. 그 주장의 형태에 주목하세요: 이는 바이어스가 적용된 재현율이지 바이어스가 적용된 오류가 아니며, 공급업체가 보고한 것입니다.

• 자기 수정 처리 — Gemini의 `smart` 모드는 자기 수정을 해결하고 음성으로 말한 숫자와 통화 단위를 정규화합니다. Mistral은 이에 상응하는 문서화된 모드를 제공하지 않습니다. 오디오가 "아니 잠깐, 내 말은"으로 가득한 인터뷰나 콜센터 통화라면, 이 기능이 선택을 좌우할 가능성이 가장 큰 단일 기능입니다.

• 스트리밍 — Gemini에는 약 $0.009/분(혼합 기준)의 라이브 SKU가 있습니다. Voxtral의 스트리밍 티어는 다른 모델인 Voxtral Mini Transcribe Realtime 3으로, $0.008/분이며 지연 시간은 80~2,400ms 범위에서 구성할 수 있습니다. 두 공급업체 모두 스트리밍 모델이 정확도 플래그십은 아니므로, 스트리밍 정확도를 위의 배치 수치와 비교하는 것은 범주 오류입니다.

• 성숙도 — G​emini 3.5 Transcribe는 2026년 8월 26일부터 GA 상태이며 공개 게시판에 독립적인 WER 점수를 보유하고 있습니다. Voxtral Small Transcribe 3는 2026년 10월 20일 기준 공개 미리보기 중으로, 가동 이력도, GA 날짜도, 미리보기 가격이 유지된다는 공개된 약속도 없습니다.

테스트해야 하는 것은 화자 분리 번호입니다

이 비교에서 당신이 직접 자신의 오디오를 확인하게 만들 단 한 문장이 있다면 바로 이것입니다: Mistral은 화자 분리 오류율이 18.4%라고 주장하는 반면 Gemini는 38.4%이며, Google은 반박 수치를 공개하지 않습니다. 이는 정확도 등급 차이로 보기에는 의심스러울 만큼 큰 격차입니다. 일반 전사에서 2.1% 대 2.6%는 화자 귀속에서 2× 격차를 예측하지 못합니다. 두 가지 설명이 가능하며, 오직 당신의 데이터만이 이 둘을 구분합니다. Gemini의 화자 분리가 정말로 더 약한 경우—이는 문서화된 화자 8명 상한 및 3명 이상 화자에 대한 "실험적"이라는 단서와 맞아떨어질 것입니다—이거나, Mistral의 하네스가 중립적인 재실행에서는 재현되지 않을 방식으로 자사 모델을 띄워주는 경우입니다.

실전 테스트: 여러 화자가 뒤섞인 최악의 오디오 40분을 준비하세요. 겹쳐 말하는 소리, 전화선으로 연결된 화자, 최소 한 곳은 두 사람이 동시에 말하는 구간이어야 합니다. 두 제품을 모두 실행해 보고 단어 오류가 아니라 화자 전환 횟수를 세어 보세요. 오후 한나절이면 끝나고, 어느 업체도 대신 결론 내주지 못하는 주장을 직접 판가름할 수 있습니다.

규모가 커질 때 트랜스크립트에 실제로 드는 비용

월 4,000시간을 기록하는 지원 조직을 기준으로 계산해 보세요. $0.004/분이면 Voxtral Small Transcribe 3은 $960입니다. $0.005/분이면 G​emini 3.5 Transcribe는 $1,200입니다. 월 $240의 차이는 실제이며, 대략 근무일당 엔지니어 1시간 비용에 해당합니다. 이것이 올바른 판단 방식입니다. 운영 비용이 전혀 들지 않는 자체 호스팅 대안과 비교하면 의미가 있지만, G​emini의 `smart` 모드가 그렇지 않았다면 비용을 지불했을 후처리 단계를 없애준다면 무의미합니다.

가격 비교가 보통 무너지는 지점은 바로 그 후처리 단계다. 군더더기 말과 해결되지 않은 자기 수정이 포함된 원시 전사본은 정리 과정이 필요하다 — 직접 유지 관리하는 정규식 계층이거나 파일당 LLM 호출이다. Gemini에서 나온, 정리되고 구두점이 찍히고 화자 라벨이 붙은 전사본은 그럴 필요가 없다. 현재 파이프라인이 형식 수정을 위해 전사본마다 언어 모델 호출을 한 번씩 쓴다면, Mistral이 20% 더 저렴하다고 결론 내리기 전에 그 호출을 비교에 포함시켜라.

둘 다 원하는 팀에게는 — 화자가 중요한 통화에는 Mistral의 화자 분리를, 대량 아카이브에는 G​emini의 정리를 — 제약이 보통 비용이 아니라 키와 벤더입니다. OrcaRouter의 모델 카탈로그에는 현재 Voxtral 3도 G​emini 3.5 Transcribe도 포함되어 있지 않으므로, 이 특정 조합은 여전히 두 개의 계약을 뜻합니다. 우리가 실제로 도움을 주는 부분은 그 위의 계층입니다: 해당 전사본을 요약하거나 라우팅하는 추론 모델은 다음에서 나올 수 있습니다: 단일 엔드포인트를 갖춘 자동 장애 조치에서, 따라서 음성 벤더 선택이 다운스트림 모델 선택까지 잠그지는 않습니다.

평결

문제가 화자이고 언어가 유럽 언어라면 Voxtral Small Transcribe 3을 선택하세요 — 화자 분리 주장, 24개 EU 언어, 20% 더 낮은 요금은 모두 같은 방향을 가리키며, 독립 벤치마크에서의 2.1% WER은 그 대가로 정확도를 포기하는 것이 아니라는 뜻입니다. 문제가 전사본 자체라면 — 자기 수정, 서식, 이름이 명시된 방대한 로케일 목록, 그리고 용량 계획을 세울 수 있는 공개된 오디오 길이 제한 — G​emini 3.5 Transcribe를 선택하세요. 제가 하지 않을 단 한 가지는 0.5포인트 WER 격차를 근거로 선택하는 것입니다. 그 격차는 어느 벤치마크에서든 실행 간 편차보다 작고, 두 벤더 모두 같은 계열의 평가에서 자신에게 유리한 숫자를 내세웁니다.

핵심 질문은 Voxtral Small Transcribe 3가 프리뷰 단계를 벗어날 때 어떤 일이 벌어지느냐이다. Mistral이 $0.004를 유지하고 독립적인 화자 분리 재실행이 18포인트 격차를 확인한다면, 회의 또는 통화 분석을 하는 누구에게도 이는 더 이상 근소한 차이의 문제가 아니다. GA에서 가격이 바뀐다면, 논점은 다시 언어 커버리지와 화자 귀속만으로 좁혀진다.