Voxtral 3 TTS vs Voxtral 4B TTS: Nowszy model, którego nie możesz pobrać

Niewygodny fakt dotyczący Voxtral 3 T​TS polega na tym, że jest lepszy od Voxtral 4B T​TS pod niemal każdym mierzalnym względem, a gorszy pod tym jedynym, który przesądza o niektórych wdrożeniach: nie można go mieć. Mistral wydał Voxtral 4B T​TS 23 marca 2026 r. jako otwarte wagi — mistralai/Voxtral-4B-T​TS-2603 na Hugging Face, CC BY-NC 4.0, do pobrania i uruchomienia na własnych akceleratorach. Voxtral 3 T​TS pojawił się 20 października 2026 r. wyłącznie jako produkt API. Strona premiery opisuje punkty końcowe w UE, USA i globalne, środowiska testowe Studio oraz samodzielne wdrożenie na prywatnej infrastrukturze, i ani razu nie mówi, że wagi są dostępne. Tak więc następca wydany siedem miesięcy później jest lepszy o 127 punktów Elo w rankingu odsłuchów w ciemno (1 217 wobec 1 090), tańszy o 19% przy 13 USD wobec 16 USD za milion znaków i około 42% szybszy przy 112 wobec 79 znaków na sekundę — a mimo to nadal nie jest bezpośrednim zamiennikiem modelu, który zastępuje, ponieważ starszy jest jedynym członkiem tej rodziny, którego firma może faktycznie posiadać. Udokumentowane awarie systemów AI i incydenty z agentami, które stoją za takimi wydaniami jak to, są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom ważności, ocenę pewności i oznaczenie sporności.

Dwa modele, siedem miesięcy, jedna granica licencji

Warto precyzyjnie określić tę granicę przed jakimkolwiek benchmarkiem, ponieważ zmienia ona kolejność całego porównania.

• Voxtral 4B T​TS — otwarte wagi na licencji CC BY-NC 4.0. Wyłącznie do użytku niekomercyjnego. Możesz go pobrać, sprawdzić, uruchomić i dostroić; nie możesz go dostarczać w ramach płatnego produktu. Ograniczenie to wynika z zestawów danych głosów referencyjnych, na których się opiera, a nie z jakiegokolwiek ograniczenia technicznego checkpointu. Samodzielne hostowanie go do wewnętrznej oceny jest w porządku; samodzielne hostowanie go w komercyjnej usłudze skierowanej do klientów już nie.

• Voxtral 3 T​TS — zamknięty. Na dzień 21 października 2026 r. nie opublikowano wag. „Samodzielne wdrożenie na prywatnej infrastrukturze lub w prywatnej chmurze” na stronie Mistrala to korporacyjna oferta wdrożenia negocjowana z dostawcą, a nie link do pobrania; łączenie tych dwóch rzeczy to najłatwiejszy błąd, jaki można popełnić przy szybkim czytaniu tej strony.

Praktyczna konsekwencja: jeśli powodem, dla którego chciałeś Voxtral 4B T​TS, było to, że dźwięk nigdy nie opuszcza Twojej sieci, to Voxtral 3 T​TS go nie zastąpi, chyba że podpiszesz coś z Mistral. Jeśli powodem było to, że było taniej niż hostowane API, to Voxtral 3 T​TS zastępuje je cenowo i przewyższa je jakością, a kwestia licencji znika, ponieważ kupujesz usługę, a nie plik. Ta sama siedmiomiesięczna luka prowadzi do różnych wniosków w zależności od tego, które z tych dwóch zdań opisuje Twoją sytuację.

Tablica wyników

• Elo głosu dostawcy — {{1}}Voxtral 3 T​TS{{/1}}: 1,217 (#13 z 98), przedział 95%: 1,202–1,232. {{2}}Voxtral 4B T​TS{{/2}}: 1,090 (#46), przedział 1,078–1,102. Oba według Artificial Analysis, odczyt z 21 października 2026 r.

• Cena za 1 mln znaków — 13,00 USD w porównaniu z 16,00 USD. Przy około 900 znakach na minutę mowy: 0,70 USD wobec 0,86 USD za godzinę.

• Przepustowość — mediana 112 znaków na sekundę w porównaniu z 79, zmierzona przez Artificial Analysis na natywnym hoście każdego modelu.

• Języki — Voxtral 3 TTS: ponad 35 języków i ponad 50 dialektów, presety w 18. Voxtral 4B TTS: 9 języków — angielski, francuski, niemiecki, hiszpański, niderlandzki, portugalski, włoski, hindi, arabski, z obsługą dialektów.

• Adaptacja głosu — Voxtral 3 T​TS: „Pro Voice”, 30 minut audio. Voxtral 4B T​TS: 5–25-sekundowy prompt referencyjny, który w karcie modelu opisano jako zaledwie 3 sekundy.

• Wagi — zamknięte kontra otwarte (CC BY-NC 4.0).

Kwestia języków to największa zmiana, o której nikt nie napisał. Voxtral 4B T​TS obsługuje dziewięć języków; nowy model deklaruje ponad 35 języków i ponad 50 dialektów. To czterokrotne rozszerzenie produktu i mocniejszy argument za aktualizacją niż Elo — 127 punktów przenosi cię ze środka tabeli do środka tabeli, ale przejście z dziewięciu języków na trzydzieści pięć zmienia to, na jakie rynki możesz sprzedawać.

Linia adaptacji głosu działa w odwrotnym kierunku i jest jedyną prawdziwą regresją. Voxtral 4B TTS klonuje głos na podstawie krótkiego klipu referencyjnego — według karty modelu wystarczą zaledwie trzy sekundy, a architektura opisuje okno promptu wynoszące 5–25 sekund. Voxtral 3 TTS Pro Voice potrzebuje trzydziestu minut audio, aby odtworzyć charakter głosu mówiącego, zakres emocjonalny i styl w różnych językach. Trzydzieści minut to sesja studyjna. Trzy sekundy to funkcja. Jeśli Twój produkt pozwala użytkownikowi usłyszeć własny głos, nowszy model radzi sobie z tym zadaniem gorzej.

Czym 4B właściwie jest pod maską

Liczba parametrów w nazwie starego modelu opisuje rzeczywistą architekturę i wyjaśnia zarówno jego mocne strony, jak i to, dlaczego następca nie jest po prostu jego większą wersją.

Voxtral 4B T​TS to około czterech miliardów parametrów w trzech częściach: szkielet dekodera transformerowego o 3,4 mld parametrów oparty na Ministral 3B, transformer akustyczny flow-matching o 390 mln parametrów oraz neuronowy kodek audio o 300 mln parametrów. Jest autoregresyjny względem semantycznego kodeka VQ ze słownikiem 8192 tokenów i zasila głowicę flow-matching, która przewiduje akustyczne cechy FSQ w 36 wymiarach na 21 poziomach, działając z częstotliwością 12,5 Hz. Mówiąc prosto: mały model językowy czyta tekst i planuje, sieć flow-matching zamienia ten plan w cechy audio, a kodek zamienia cechy w próbki. Generuje natywnie do dwóch minut, a dłuższe wyjście jest obsługiwane przez przeplatanie w API.

Opublikowana przez Mistral wartość dla modelu z marca wynosiła 70 milisekund opóźnienia modelu dla 10-sekundowej próbki głosu i 500 znaków, przy współczynniku czasu rzeczywistego około 9,7x. Te liczby zmierzono na stosie serwującym Mistral, a nie niezależnie, i opisują one model, który był naprawdę szybki jak na swoje pokolenie. Przepustowość modelu z października w Artificial Analysis — 112 znaków na sekundę wobec 79 — sugeruje, że następca jest jeszcze szybszy — ale Mistral w ogóle nie publikuje czasu do pierwszego dźwięku dla Voxtral 3 T​TS, co jest dziwnym pominięciem w przypadku firmy, której poprzedni model T​TS wyróżniał się podaniem wartości opóźnienia.

Dwie generacje architektury są również widoczne w liczbie języków. Dziewięć języków w marcu, ponad trzydzieści pięć w październiku, przy czym modele transkrypcji z tej rodziny deklarują obsługę wszystkich 24 oficjalnych języków UE. Cokolwiek zmieniło się między tymi dwoma punktami kontrolnymi, zmieniło dane treningowe i pokrycie tokenizera znacznie bardziej niż stos akustyczny.

Kto powinien zatrzymać 4B, a kto powinien się przenieść?

Zachowaj Voxtral 4B T​TS, jeśli spełniony jest którykolwiek z poniższych warunków. Potrzebujesz przetwarzania dźwięku na sprzęcie, który kontrolujesz, i nie możesz wynegocjować prywatnego wdrożenia. Prowadzisz badania lub ocenę, w których CC BY-NC 4.0 pozwala na użycie, a licencja nic nie kosztuje. Potrzebujesz klonowania głosu na podstawie krótkiej próbki referencyjnej — trzy sekundy w porównaniu z trzydziestoma minutami to nie jest trudny wybór. Pracujesz w jednym z dziewięciu obsługiwanych języków i jakość jest wystarczająca, a w takim przypadku darmowy checkpoint, który już uruchamiasz, jest wart więcej niż lepszy, do którego musisz wysyłać wywołania.

Przejdź na Voxtral 3 T​TS, jeśli spełniony jest którykolwiek z poniższych warunków. Sprzedajesz wynik i dlatego i tak nigdy nie miałeś prawa komercyjnie hostować modelu 4B na własnych serwerach — w takim przypadku już korzystałeś z API za 0,016 USD za tysiąc znaków, a nowa stawka 13 USD za milion jest o 19% tańsza w przypadku modelu lepszego o 127 punktów Elo, co czyni ją najłatwiejszą aktualizacją w tym artykule. Potrzebujesz języka spoza pierwotnej dziewiątki. Potrzebujesz stosu agentowego: Voxtral 3 T​TS jest dostarczany z opartym na LiveKit SDK do agentów głosowych, obsługą SIP i WebRTC, turami agenta poniżej sekundy oraz ceną pakietu 0,04 USD za minutę z rozumowaniem Mistral Small 4 — nic z tego nie istniało w okolicach marcowego modelu.

Istnieje trzecia grupa, która powinna korzystać z obu rozwiązań, i jest ona większa, niż się wydaje: zespoły, które prototypują na otwartym checkpoincie i wdrażają produkcyjnie przez API. Voxtral 4B TTS daje lokalny model do testowania promptów, głosów i trybów awarii bez kosztu za wywołanie i bez wysyłania danych poza organizację; Voxtral 3 TTS daje produkcyjny endpoint z pokryciem językowym i licencją na sprzedaż. Oba rozwiązania dzielą rodowód, ale nie powierzchnię API, więc licz się z tym, że prompty będą wymagały ponownego dostrojenia — różnica jakości wynosząca 127 punktów to inny model, a nie podbicie wersji, a mechanizmy sterowania kierunkiem, które działały w określony sposób w 4B, niekoniecznie się przeniosą.

Jeśli ścieżka produkcyjna musi przetrwać awarię dostawcy, to jest argument za umieszczeniem wywołania syntezy za routerem, a nie za bezpośrednim wywoływaniem Mistrala. OrcaRouter daje jeden punkt końcowy zgodny z OpenAI obejmujący ponad 200 modeli z ceną katalogową dostawcy przekazywaną bez marży (0%), więc awaria jednego backendu syntezy powoduje przełączenie awaryjne zamiast ciszy — a pipeline głosowy, który renderuje partie nocne, to dokładnie ten rodzaj obciążenia, w którym martwy punkt końcowy kosztuje noc, a nie jedno żądanie. Modele Mistrala są dostępne przez własne API Mistrala i kilka platform zewnętrznych; sprawdź katalog pod kątem aktualnej dostępności, zanim zaprojektujesz rozwiązanie wokół konkretnego identyfikatora modelu.

Pytanie, na które Mistral nie odpowiedział

Czy Voxtral 3 TTS otrzyma otwarte wagi? Model marcowy je otrzymał, na licencji niekomercyjnej, i stał się punktem odniesienia dla tego, jak wygląda otwarty checkpoint TTS od europejskiego laboratorium. Nic w październikowej premierze tego nie powtarza. Strona wprost mówi o dostępie przez API i prywatnym wdrożeniu, a milczy o pobieraniu, co jest tym samym schematem, którego Mistral użył w przypadku kilku swoich modeli tekstowych, zanim kilka miesięcy później udostępnił wagi.

Jeśli wagi modelu rzeczywiście zostaną udostępnione, porównanie zmienia się całkowicie: warunki licencji zdecydują, czy otwarty model będzie można wykorzystywać komercyjnie, a precedens — CC BY-NC 4.0 — sugeruje, że nie będzie to możliwe. To pozostawiłoby sytuację w przybliżeniu taką, jaka jest obecnie: model do pobrania byłby artefaktem badawczym, a ten użyteczny — usługą.

Kolejne pytanie bez odpowiedzi brzmi, czy 4B utrzyma swój wpis w API. Tabela cen funkcji mowy Mistrala wymienia nową rodzinę i nie wspomina modelu z marca, podczas gdy Artificial Analysis nadal śledzi go po cenie 16 USD z aktywnym hostem. Historycznie Mistral utrzymywał starsze modele mowy jako dostępne do wywołania przez długi czas; jeśli to się utrzyma, zespoły mają naprawdę przydatne rozwiązanie awaryjne — nieco gorszy, nieco droższy model, który mimo to stanowi odmienne wdrożenie. Jeśli nie, każdy, kto zbudował na voxtral-mini-tts-latest w marcu, musi sprawdzić, na który model ten alias teraz wskazuje, zanim otrzyma następną fakturę.

W skrócie: Voxtral 3 T​TS to lepszy model i gorsze aktywo. Kup go ze względu na języki, jakość i stack agentowy; zachowaj Voxtral 4B T​TS do pracy lokalnej, klonowania na podstawie krótkich próbek referencyjnych i dziewięciu języków, które już dobrze obsługuje. Jedyna migracja, która jest jednoznacznie słuszna, to przejście z hostowanego API modelu 4B na nowe — ten sam dostawca, ta sama polityka licencyjna, taniej i lepiej — i to jedyny ruch w tym porównaniu, który nic nie kosztuje.