Voxtral 3 od Mistrala trafia na rynek z modelem Transcribe na #3 miejscu i głosem za 13 USD

Liczba, od której warto zacząć, to 2,1%. To wskaźnik błędów słów zmierzony przez Artificial Analysis dla Voxtral Small Transcribe 3, co plasuje nowy model rozpoznawania mowy Mistrala na trzecim miejscu w niezależnym rankingu rozpoznawania mowy na dzień 21 października 2026 r. — za jedynie Alibaba Fun-Realtime-ASR-preview z wynikiem 1,7% i Microsoft MAI-Transcribe-2 z 2,0%, a przed ElevenLabs Scribe v2 z 2,2%. Ta sama premiera z 20 października przyniosła także Voxtral 3 TTS, model syntezy wyceniony na 13 USD za milion znaków, który zajmuje trzynaste miejsce w Provider Voice arena i czternaste w Controlled Voice arena. Jeden z tych wyników to prawdziwy awans w tabeli. Drugi to kompetentna propozycja ze środka stawki z agresywną ceną, a różnica między tym, jak oba zostały zapowiedziane, a tym, jak faktycznie wypadły, jest najbardziej przydatną rzeczą w tej premierze. Udokumentowane awarie AI i incydenty z agentami stojące za takimi premierami są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, ocenę pewności i oznaczenie sporności.

Wszystko poniżej rozdziela trzy rodzaje twierdzeń: liczby z rankingów odsłuchu w ciemno i transkrypcji Artificial Analysis (niezależne), liczby z własnej strony premiery Mistrala (podane przez dostawcę) oraz obliczenia arytmetyczne wykonane tutaj na podstawie opublikowanych cen. Nie są one wymienne, a strona premiery przedstawia je w sposób, który ułatwia ich mylenie.

Wynik transkrypcji jest tym, który naprawdę przesuwa Mistral w górę rankingu.

Voxtral Small Transcribe 3 to flagowy model rodziny czterech modeli i jedyna część tego wydania z niezależnym wynikiem, który bezpośrednio przewyższa dotychczasowych liderów. Przy WER wynoszącym 2,1% jest 0,1 punktu za MAI-Transcribe-2 firmy Microsoft i 0,1 punktu przed Scribe v2 — różnice mieszczą się głęboko w szumie pojedynczego zestawu ewaluacyjnego, ale wystarczają, by Mistral znalazł się w rozmowie o czołówce tabeli, a nie w grupie pościgowej.

Wskaźnik szybkości jest tą bardziej zaskakującą połową. Artificial Analysis podaje medianę współczynnika szybkości wynoszącą 66,6 dla Voxtral Small Transcribe 3, w porównaniu z 20,3 dla najwyżej sklasyfikowanego Fun-Realtime-ASR-preview i 308,8 dla MAI-Transcribe-2. Mówiąc wprost, model Mistrala transkrybuje około 67 minut audio na minutę obliczeń — czterokrotnie wolniej niż model Microsoftu i trzykrotnie szybciej niż model Alibaby. Tani, dokładny i umiarkowanie wolny to całkiem dobre połączenie w przypadku transkrypcji wsadowej; to złe połączenie dla zastosowań interaktywnych, dlatego Mistral sprzedaje osobny model czasu rzeczywistego.

Rodzina, w wersji dostarczonej 20 października:

• Voxtral Small Transcribe 3 — ponad 50 języków, diaryzacja, ukierunkowanie kontekstowe, 0,004 USD za minutę (4,00 USD za 1000 minut). Najlepszy pod względem dokładności.

• Voxtral Mini Transcribe 3 — 4 mld parametrów, ponad 50 języków, 0,0035 USD za minutę. Osiąga 2,2% WER na tym samym benchmarku — statystycznie na poziomie modelu Small przy 12,5% niższym koszcie, przez co wyższa cena wersji Small jest trudna do uzasadnienia samą dokładnością.

• Voxtral Mini Transcribe Realtime 3 — strumieniowanie, deklarowane opóźnienie poniżej 500 ms, $0.008 za minutę. Na swojej własnej stronie Mistral podaje w dwóch różnych miejscach zarówno „35+ języków”, jak i „40+ języków” dla tego modelu; nikt z zewnątrz nie sprawdził, która wartość jest prawdziwa.

• Voxtral 3 TTS — synteza wsadowa i w czasie rzeczywistym w cenie 13 USD za milion znaków, ponad 35 języków i ponad 50 dialektów. Model, który w cenniku Mistrala nazywa się „Voxtral Speech 3”, a w dokumentacji jest wymieniany jako voxtral-mini-tts-3-0.

W przeprowadzonej przez Mistral ewaluacji FLEURS 45 model Voxtral Small Transcribe 3 odnotowuje 4,1% WER przy wymuszonym języku i 4,0% przy języku wnioskowanym. To inny benchmark niż ten, który uruchamia Artificial Analysis, dlatego strona producenta pokazuje 4%, a niezależny ranking 2,1%. Żadna z tych liczb nie jest błędna; cytowanie ich w tym samym zdaniu bez wskazania, która jest która, to właśnie sposób, w jaki relacje z premiery idą na manowce. Mistral twierdzi również, że w swoim zestawie porównawczym ma najniższy błąd diaryzacji wynoszący 18,4% cpWER i 94,6% czułości fraz kluczowych z biasowaniem kontekstowym, wobec 81,4% bez niego — dane zgłoszone przez producenta, nieodtworzone.

Model głosowy plasuje się w środku stawki, a cena mówi sama za siebie.

Post Mistrala w mediach społecznościowych przedstawia premierę T​TS jako wejście do pierwszej dwunastki obu aren syntezy mowy. Bieżące rankingi z 21 października przedstawiają nieco łagodniejszy obraz: Voxtral 3 T​TS zajmuje 13. miejsce w Provider Voice z wynikiem 1 217 Elo (95-procentowy przedział 1 202–1 232, pasmo miejsc ex aequo obejmujące pozycje od 11 do 17) oraz 14. miejsce w Controlled Voice z wynikiem 1 066 Elo (pasmo miejsc ex aequo obejmujące pozycje od 10 do 19). Innymi słowy, znajduje się w pierwszej piętnastce w obu rankingach — a przedziały ufności pokrywają się z przedziałami pięciu innych modeli, więc dokładna pozycja nie jest stabilnym faktem. To drugi dzień modelu w rankingu, a jego liczba próbek — 1 619 porównań — jest znacznie niższa niż ponad 3 000 porównań zgromadzonych przez liderów.

Stabilna jest okolica. Z wynikiem 1 217 Elo Voxtral 3 T​TS plasuje się na równi z Realtime T​TS-2 Flash i StepAudio 2.5 T​TS, wyprzedza ElevenLabs Eleven v3 z wynikiem 1 182, a ustępuje Cartesia Sonic 3.6 z wynikiem 1 289, Q​wen-Audio-3.1-T​TS-Plus z wynikiem 1 299 i ElevenLabs Eleven v4 z wynikiem 1 328.

Dwie rzeczy dotyczące tej pozycji warto powiedzieć wprost. Po pierwsze, Voxtral 3 T​TS to wyraźna poprawa z generacji na generację dla Mistral: Voxtral T​TS z marca 2026 r. uzyskał 1090 punktów na tym samym rankingu, więc to skok o 127 punktów. Po drugie, ten skok nie zmniejszył dystansu do czołówki. Poprzedni model Mistrala był daleko w tyle; nowy znajduje się w środku stawki.

Co tak naprawdę można kupić za 13 dolarów za milion znaków

Cena jest tym, co czyni to wydanie interesującym i tym, w czym dosłowne odczytanie komunikatu prasowego może wprowadzić w błąd. Przy 13 USD za milion znaków Voxtral 3 TTS kosztuje około 0,70 USD za godzinę wygenerowanej mowy, zakładając mniej więcej 900 znaków na minutę wypowiadanego tekstu. Cartesia Sonic 3.6 kosztuje 2,65 USD za godzinę przy 49 USD, ElevenLabs Eleven v4 kosztuje 4,32 USD przy 80 USD, a Qwen-Audio-3.0-TTS-Plus kosztuje 1,04 USD przy 19,31 USD. W porównaniu z segmentem premium oszczędność jest realna i duża.

W porównaniu z segmentem value to nie jest nokaut. Simba 3.2 zajmuje 10. miejsce z 1 245 Elo — 28 punktów więcej niż Voxtral 3 T​TS — przy 6,6 USD za milion znaków, czyli o połowę taniej. Realtime T​TS-2 Flash uzyskuje ten sam wynik 1 217 Elo przy 10,4 USD. Gemini 3.8 Flash-Lite T​TS uzyskuje 1 250 przy 11 USD. W zgrubnym wskaźniku Elo na dolara, który traktuje Elo jako liniowe, choć takie nie jest, i należy go odczytywać jako przybliżone uporządkowanie, a nie pomiar, Voxtral 3 T​TS wypada na około 94 punkty na dolara wobec 189 dla Simba 3.2 i 118 dla Realtime T​TS-2 Flash.

Uczciwe podsumowanie jest takie, że Mistral wycenił model tak, by dało się go obronić, a nie by wywołać przełom. Jest tańszy od każdego modelu, który bije go o ponad 50 Elo, a pod względem stosunku ceny do jakości przegrywa z co najmniej trzema modelami, które przewyższają go jakością. To zwykła premiera, a nie wydarzenie zmieniające ceny.

Routing ma tu znaczenie przede wszystkim w tym, że pozwala utrzymać to porównanie na bieżąco, a nie w arkuszu kalkulacyjnym. OrcaRouter udostępnia jedno API dla ponad 200 modeli i przekazuje ceny katalogowe dostawców bez żadnego narzutu (0% marży), więc gdy dostawca taki jak Mistral zmienia stawkę, liczba, którą widzi Twój kod, zmienia się wraz z nią, a podmiana punktu końcowego syntezy stojącego za potokiem głosowym jest zmianą konfiguracji, a nie drugą umową. To, czy Voxtral 3 T​TS należy do tego potoku, jest odrębnym pytaniem od tego, czy jest najlepszym modelem w zestawieniu — a w zestawieniu, dziś, nie jest.

Ta część wydania, która nie jest modelem

Najdonioślejszą rzeczą, jaką Mistral udostępnił 20 października, może nie być żaden z dwóch ocenianych modeli. Rodzina jest dostarczana z SDK agenta głosowego zbudowanym na LiveKit, obsługującym telefonię SIP, WebRTC, IVR i integracje z centrami kontaktowymi, z deklarowaną pełną turą agenta poniżej jednej sekundy i obsługą barge-in. Mistral wycenia całą pętlę agenta — mowę wejściową, rozumowanie, mowę wyjściową — na 0,04 USD za minutę, gdy modelem rozumującym jest Mistral Small 4, lub 0,08 USD za minutę z innym modelem rozumującym.

Ten pakiet rozliczany za minutę to inna jednostka niż stawka TTS za znak, a bezpośrednie porównywanie obu jest częstym błędem. Agent głosowy, który mówi przez 30 sekund jednominutowej rozmowy, zużywa około 4500 znaków syntezy, co przy 13 USD za milion daje mniej niż sześć centów — zatem pakiet za 0,04 USD jest konkurencyjny wobec samodzielnego składania części, pod warunkiem że i tak chciałeś mieć model rozumowania Mistrala. Pakiet to także miejsce, w którym argument za przełączaniem awaryjnym broni się w środowisku produkcyjnym: agent głosowy z martwym punktem końcowym syntezy to cisza w słuchawce, a część odpowiedzialna za rozumowanie w tym potoku to dokładnie ten rodzaj elementu, dla którego stosuje się router z automatycznym przełączaniem awaryjnym.

To, czego Mistral nie udostępnił, to otwarte wagi. Strona Voxtral 3 opisuje dostęp przez API, środowiska Studio playground oraz wdrożenie własne na prywatnej infrastrukturze, ale nigdzie nie stwierdza, że wagi można pobrać. Wydany w marcu Voxtral TTS trafił na Hugging Face na licencji CC BY-NC 4.0; nic w tym wydaniu tego nie powtarza. Jeśli samodzielny hosting jest wymogiem, ta generacja obecnie go nie spełnia.

Trzy rzeczy, których nikt jeszcze nie zmierzył

Brak opublikowanej wartości opóźnienia dla Voxtral 3 TTS to najpoważniejsza luka w materiałach premierowych. Mistral podaje poniżej 500 ms dla transkrypcji w czasie rzeczywistym i poniżej jednej sekundy dla całej tury agenta, ale nie podaje czasu do pierwszego dźwięku w syntezie, czyli liczby, która decyduje, czy agent głosowy brzmi konwersacyjnie. Artificial Analysis podaje medianę czasu generowania 7,2 sekundy i medianę przepustowości 112 znaków na sekundę — obie wartości opisują renderowanie wsadowe, a nie zachowanie strumieniowe. Mediana 112 znaków na sekundę jest przyzwoita — szybsza niż 56 w ElevenLabs Eleven v3 i wolniejsza niż 145 w Sonic 3.6 — ale nic nie mówi o pierwszych 200 milisekundach.

Klonowanie głosu jest drugą luką. Adaptacja „Pro Voice” firmy Mistral odtwarza charakter i zakres emocjonalny mówcy z 30 minut audio. To proces na poziomie studia, a nie dziesięciosekundowy natychmiastowy klon reklamowany przez Cartesia ani trzydziestosekundowy klon oferowany przez ElevenLabs, i pozycjonuje Voxtral 3 T​TS raczej do głosów marek niż do pracy nad postaciami tworzonymi przez użytkowników.

Trzecią kwestią jest wytrzymałość. Materiały samego Mistrala nie podają maksymalnej długości generowania dla punktu końcowego TTS, a próbki z areny to krótkie klipy. Długie narracje to obszar, w którym model plasujący się w środku stawki pod względem Elo wciąż może być właściwym wyborem, jeśli zachowuje spójność przez dziesięć minut, a nikt nie opublikował takiego testu.

Uczciwa interpretacja wydarzeń z 20 października jest taka, że Mistral dostarczył prawdziwego konkurenta w transkrypcji oraz model TTS, który jest wystarczająco dobry, by trafić na krótką listę, i wystarczająco tani, by go wypróbować. Ranking transkrypcji to miejsce, w którym firma zapracowała na nagłówek. Ranking syntezy to miejsce, w którym go kupiła.