Voxtral 3: Mistral zet vier spraakmodellen en een voice-agent-API op dezelfde meter

Het interessante getal in de release van Mistral van 20 oktober is geen woordfoutpercentage. Het is $0,04 per minuut. Dat is wat het bedrijf rekent voor een Voxtral 3 spraakagent — een end-to-endpipeline die een beller hoort, redeneert over wat die heeft gezegd met Mistral Small 4, tools aanroept en antwoordt. Tel de onderdelen op die Mistral apart verkoopt, en dezelfde minuut kost meer: Voxtral Mini Transcribe Realtime 3 voor $0,008, plus Voxtral Mini TTS 3 voor ongeveer $0,02 bij een normaal spreektempo, plus daarbovenop het redeneermodel. De gebundelde minuut is het product. Al het andere — Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 — wordt verkocht als een onderdeel dat je à la carte kunt kopen, en als een manier om te laten zien dat de onderdelen goed genoeg zijn om bundeling waard te zijn. Pipelines voor spraakagenten falen op manieren die tariefkaarten nooit vermelden, en de geregistreerde incidenten zijn gecatalogiseerd in het OrcaRouter AI Incident Archive waarbij elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistmarkering heeft.

Wat is er eigenlijk nieuw, model per model

Dit is een vernieuwing van de hele familie, niet één model met een nieuwe versie. Elk onderdeel heeft een eigen taak en een eigen prijs, en de opsplitsing is belangrijker dan de gedeelde naam.

• Voxtral Small Transcribe 3 — het nauwkeurigheidsniveau. $0,004 per minuut, 32k-context en Mistrals vlaggenschipbelofte voor transcriptie met diarisatie. Het verzorgt ook vertaling, spraak-Q&A, samenvattingen en function calling, waardoor het het enige lid van de familie is dat dichter bij een audio-taalmodel staat dan bij een transcriptietool.

• Voxtral Mini Transcribe 3 — 4B parameters, $0,0035 per minuut, 32k context. Mistral geeft de grootte van dit model en houdt die van het Small-model achter. Die asymmetrie is het opmerken waard: het mini-model is het model dat gepositioneerd wordt voor volume en edge-deployment, dus zijn voetafdruk is een verkoopargument; die van het vlaggenschip wordt niet bekendgemaakt.

• Voxtral Mini Transcribe Realtime 3 — streaming via WebSocket voor $0,008 per minuut, met een configureerbare latentie van 80 ms tot 2.400 ms en end-of-turn-detectie die akoestische en semantische signalen combineert in plaats van te wachten op stilte. De documentatie zegt "onder 500 ms"; de configureerbare ondergrens ligt ver daaronder, en de nauwkeurigheidsprijs die je betaalt voor laag gaan is aanzienlijk — zie de benchmarksectie.

• Voxtral Speech 3 (in de documentatie verkocht als Voxtral Mini T​TS 3) — $13 per miljoen tekens, ongeveer 90 ms tot de eerste audio, 34 emotietags en twee tempo-tags, negen talen, zero-shot en "professionele" stemkloning. Volgens Mistral's lanceerpagina is voor kloning 30+ minuten referentieaudio nodig.

Daaronder zit de voice-agent-SDK, gebouwd op LiveKit, met streaming ASR, LLM en TTS in één pijplijn. Deze verwerkt SIP-oproepen, WebRTC-sessies en bestaande telefonie- of IVR-trunks, ondersteunt barge-in en laat je het redeneermodel, de stem of de taal verwisselen zonder de agent opnieuw op te bouwen. Mistral noemt een beurtlatentie van minder dan één seconde.

De benchmarktabel, lees aandachtig

Mistral heeft zijn eigen cijfers gepubliceerd, en het zijn goede cijfers. Op het macro-gemiddelde woordfoutpercentage van FLEURS 45 komt Voxtral Small Transcribe 3 uit op 4,1% met geforceerde taal en 4,0% met afgeleide taal. Voxtral Mini Transcribe 3 staat op 4,6% / 4,5%. Ter vergelijking, in dezelfde leverancierstabel: Gemini 3.5 Transcribe op 6,1% / 4,5%, Scribe v2 op 4,9%, GPT Transcribe op 6,3% / 5,6%, en Whisper large-v3 op 16,0% / 14,9%.

Twee dingen aan die tabel verdienen een tweede blik. Ten eerste staat Microsofts MAI-Transcribe-2 op 4,1% / 4,0% — identiek aan Voxtral Small Transcribe 3, tot op de decimaal. Een leverancierstabel waarin het vlaggenschipmodel exact gelijk eindigt met zijn naaste concurrent is ofwel een eerlijke gelijke stand, ofwel een afgeronde; Mistral zegt niet welke. Ten tweede is het Whisper-cijfer niet het getal dat anderen voor Whisper noemen. Whisper large-v3 scoort 7,44 gemiddelde WER op het Open ASR Leaderboard, en de Turbo-variant 4,6% op de onafhankelijke ranglijst van Artificial Analysis. Zestien procent is hoe Whisper eruitziet op specifiek moeilijke meertalige FLEURS-audio, niet hoe het eruitziet in productie-Engels. Het strengste beschikbare segment voor een concurrent gebruiken is een normale marketingzet, maar het is een marketingzet.

Het onafhankelijke scorebord vertelt een strakker verhaal. Artificial Analysis zet Voxtral Small Transcribe 3 op 2,1% AA-WER en Voxtral Mini Transcribe 3 op 2,2% — eerste en tweede op de non-streamingranglijst op het moment van schrijven, met MAI-Transcribe-2 op 2,0% op de positie net boven hen, afhankelijk van wanneer het scorebord wordt bekeken. Die liggen zo dicht bij elkaar dat de volgorde bij nieuwe runs zal verschuiven. Wie een winnaar citeert op basis van een gat van 0,1 punt, citeert ruis.

Waar de realtime-laag nauwkeurigheid teruggeeft

De streamingcijfers zijn het nuttigste dat Mistral heeft gepubliceerd, omdat ze het minst flatterend zijn. Op FLEURS 35 is de offline Voxtral Mini Transcribe 3-baseline 4,0% WER. Het realtime model gaat monotoon achteruit naarmate je het vraagt eerder te antwoorden:

• 2.400 ms latentie — 5,7% WER

• 960 ms — 6,0%

• 480 ms — 6,4%

• 240 ms — 7,4%

Daar staat tegenover dat Mistral Gemini 3.5 Realtime Transcribe op 4,2% noemt, Microsofts streamingtier op 5,8%, GPT Live Transcribe op 8,4% en Scribe v2 Realtime op 8,7%. De eerlijke lezing is dus: bij een comfortabele vertraging van 2,4 seconden is de realtime-tier van Voxtral concurrerend met Microsoft en verslaat hij de streamingmodellen van OpenAI en ElevenLabs, maar niet het model van Google, en bij 240 ms is hij slechter dan alles behalve de twee modellen die achteraan staan. De belofte van minder dan 500 ms is echt; hij kost je alleen ongeveer drie punten nauwkeurigheid ten opzichte van het offline draaien van dezelfde audio.

Diarisatie is het onderdeel waarop de familie het sterkst uit de verf komt en waarop de leverancierstabel het meeste werk verzet. Op geconcateneerde minimum-permutatie-WER rapporteert Mistral 18,4% voor Voxtral Small Transcribe 3, 18,6% voor de Mini, 19,0% voor Pyannote Orchestrator Precision 3, 20,3% voor MAI-Transcribe-2 en 38,4% voor G​emini 3.5 Transcribe. Een verschil van 20 punten ten opzichte van G​emini bij sprekerattributie is het soort cijfer dat een product beslist — vergadertranscriptie, call-QA —, maar het is de testopstelling van de ene leverancier tegen het model van een andere leverancier, en geen enkele derde partij heeft het opnieuw uitgevoerd.

Wat je voor de prijs krijgt, in uren

Facturering per minuut is eenvoudig te vergelijken en gemakkelijk om je in te vergissen wanneer het alternatief per token is. Omgerekend naar duizend audio-uren, wat ongeveer neerkomt op een maand voor een middelgroot contactcenter:

• Voxtral Mini Transcribe 3 — $210 per 1.000 uur tegen $0,0035/min

• Voxtral Small Transcribe 3 — $240 per 1.000 uur tegen $0,004/min

• Voxtral Mini Transcribe Realtime 3 — $480 per 1.000 uur tegen $0,008/min

• Spraakagent-API met Mistral Small 4-redenering — $2.400 per 1.000 uur gesprek tegen $0,04/min

De agenttier is vijf tot elf keer zo duur als de transcriptietier, wat de juiste orde van grootte is als je bedenkt dat hij het redeneermodel en de spraaksynthese omvat. Het is ook waar de marge zit, en Mistrals positionering — identiteitsverificatie, factuurcontrole, afspraken inplannen — is gekozen voor gesprekken waarin één voltooide taak meer waard is dan een minuut rekenkracht.

Eén structurele waarschuwing voor de hele prijslijst: elk model hier is in openbare preview, niet GA, en previewprijzen voor spraak zijn historisch gezien verschoven. Er is geen gepubliceerde toezegging dat $0.0035 $0.0035 blijft.

Wat Mistral niet heeft uitgebracht

Geen gewichten. De lanceringspagina zegt dat Voxtral 3 beschikbaar is via de API van Mistral met EU-, VS- en wereldwijde endpoints, en "voor zelfdeployment op uw eigen infrastructuur" — maar er wordt geen licentie gepubliceerd, geen parameteraantallen voor drie van de vier modellen, en geen Hugging Face-repository. Ter context: eerdere spraakreleases van Mistral waren downloadbaar: Voxtral Small 24B 2507 is Apache 2.0 op Hugging Face, Voxtral 4B TTS 2603 is CC-BY-NC-4.0, en Voxtral Mini 4B Realtime Arabic verscheen op 8 oktober zonder dat er überhaupt een licentie was aangegeven. Deze release is de eerste Voxtral-generatie waarvan geen enkel model downloadbaar is. Zelfdeployment betekent hier een enterprisecontract, geen download.

Ook ontbreken: een maximale audiolengte, een contextwaarde voor de TTS- of agenttiers, en enige details over retentie of dataresidentie buiten de endpointregio's. Als je dit evalueert voor gereguleerde gespreksopname, zijn die drie hiaten de punten die je in een inkoopgesprek moet dichten in plaats van op basis van het lanceringsbericht.

Hoe je het daadwerkelijk kunt proberen

Voxtral 3 staat vandaag niet in de catalogus van OrcaRouter, dus de route om het te evalueren loopt via Mistrals eigen API en Studio-playgrounds, die transcriptie, spraakgeneratie, voicecloning en de agent-pipeline omvatten. Waar een router wél helpt, is het tweede deel van de beslissing: je wilt bijna nooit één spraakstack, en het reasoningmodel dat de tool calls van je agent afhandelt achter één endpoint zetten, betekent dat je Mistral Small 4 kunt vergelijken met een dozijn andere modellen op dezelfde transcriptie zonder de pipeline opnieuw op te bouwen. OrcaRouter geeft de lijstprijzen van providers door tegen 0% opslag en schakelt automatisch over tussen providers, wat juist in deze situatie het belangrijkst is — een model uit de preview-laag zonder enige uptimegeschiedenis voor zich.

De praktische evaluatievolgorde, als je dit deze week doet: draai je eigen slechtste audio door Voxtral Small Transcribe 3 en MAI-Transcribe-2 op dezelfde 200 bestanden, omdat de twee leveranciers dezelfde FLEURS-score publiceren en alleen jouw audio de knoop kan doorhakken. Draai daarna de realtime-tier op 960 ms en op 2.400 ms en tel hoe vaak de end-of-turn-detector een beller midden in een zin afkapt — die faalmodus kost in een live-agent meer dan welk WER-verschil dan ook in deze familie. Zet vervolgens de prijs van de agentminuut af tegen je containmentratio, niet tegen je transcriptiefactuur.

Wat te kijken

Drie dingen bepalen of deze release op termijn goed standhoudt. Onafhankelijke herhalingen van de diarisatieclaim, het enige cijfer in de lancering dat echt een aankoopbeslissing zou veranderen. Of de gewichten verschijnen, want een downloadbare Voxtral zou onmiddellijk de standaard open optie worden voor diarisatie in Europese talen en het hele prijsargument hierboven ondergraven. En of de sub-seconde latentie van de agent standhoudt in echte telefonie in plaats van in een demo van een Franse verwijsbrief — onderbreking en eind-van-beurt-detectie zijn waar spraakagenten meestal falen, en geen van beide houdt stand als bewijs in een blogpost van een leverancier.