Voxtral 3: Mistral rozlicza cztery modele mowy i API agenta głosowego według jednego licznika

Ciekawa liczba w wydaniu Mistrala z 20 października nie jest współczynnikiem błędów słów. To 0,04 USD za minutę. Tyle firma pobiera za Voxtral 3 — agenta głosowego, czyli potok end-to-end, który słyszy dzwoniącego, analizuje to, co powiedział, za pomocą Mistral Small 4, wywołuje narzędzia i odpowiada. Zsumuj części, które Mistral sprzedaje osobno, a ta sama minuta kosztuje więcej: Voxtral Mini Transcribe Realtime 3 po 0,008 USD, plus Voxtral Mini TTS 3 po około 0,02 USD przy normalnym tempie mówienia, plus model rozumujący na dodatek. Minuta w pakiecie to produkt. Wszystko inne — Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 — jest sprzedawane jako komponent, który można kupić à la carte, i jako sposób pokazania, że komponenty są wystarczająco dobre, by warto było je łączyć w pakiet. Potoki agentów głosowych zawodzą w sposób, o którym cenniki nigdy nie wspominają, a zarejestrowane incydenty są skatalogowane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, dotkliwość, stopień pewności i flagę sporności.

Co jest faktycznie nowe, model po modelu

To odświeżenie całej rodziny, a nie jeden model z podniesioną wersją. Każdy element ma inne zadanie i inną cenę, a podział ma większe znaczenie niż wspólna nazwa.

• Voxtral Small Transcribe 3 — poziom dokładności. 0,004 USD za minutę, kontekst 32k i flagowa deklaracja Mistrala dotycząca transkrypcji z diaryzacją. Obsługuje także tłumaczenie, pytania i odpowiedzi głosowe, streszczanie oraz wywoływanie funkcji, co czyni go jedynym członkiem rodziny bliższym modelowi audio-językowemu niż transkryberowi.

• Voxtral Mini Transcribe 3 — 4 mld parametrów, 0,0035 USD za minutę, kontekst 32 tys. Mistral podaje rozmiar tego modelu, a rozmiar modelu Small przemilcza. Ta asymetria jest warta zauważenia: to model mini jest pozycjonowany do masowych wdrożeń i pracy na urządzeniach brzegowych, więc jego niewielki rozmiar jest atutem sprzedażowym; rozmiar modelu flagowego nie został ujawniony.

• Voxtral Mini Transcribe Realtime 3 — strumieniowanie przez WebSocket w cenie 0,008 USD za minutę, z opóźnieniem konfigurowalnym od 80 ms do 2400 ms oraz wykrywaniem końca tury, które łączy sygnały akustyczne i semantyczne, zamiast czekać na ciszę. Dokumentacja podaje „poniżej 500 ms”; konfigurowalne minimum jest znacznie niższe, a koszt dokładności przy schodzeniu tak nisko jest znaczący — zob. sekcję z benchmarkami.

• Voxtral Speech 3 (w dokumentacji oferowany jako Voxtral Mini T​TS 3) — 13 USD za milion znaków, około 90 ms do pierwszego dźwięku, 34 tagi emocji i dwa tagi tempa, dziewięć języków, klonowanie głosu zero-shot i „profesjonalne”. Strona premiery Mistrala podaje, że klonowanie wymaga ponad 30 minut audio referencyjnego.

Pod spodem znajduje się SDK agenta głosowego, zbudowany na LiveKit i strumieniowych ASR, LLM i TTS jako jednym potoku. Obsługuje połączenia SIP, sesje WebRTC oraz istniejące łącza telekomunikacyjne lub IVR, obsługuje barge-in i pozwala zmienić model rozumowania, głos lub język bez przebudowywania agenta. Mistral podaje opóźnienie tury poniżej jednej sekundy.

Tabela benchmarków, przeczytaj uważnie

Mistral opublikował własne liczby i są to dobre liczby. W przypadku makrośredniego wskaźnika błędu słów (WER) na FLEURS 45 Voxtral Small Transcribe 3 osiąga 4,1% przy wymuszonym języku i 4,0% przy języku wywnioskowanym. Voxtral Mini Transcribe 3 ma 4,6% / 4,5%. Dla porównania w tej samej tabeli dostawcy: Gemini 3.5 Transcribe – 6,1% / 4,5%, Scribe v2 – 4,9%, GPT Transcribe – 6,3% / 5,6%, a Whisper large-v3 – 16,0% / 14,9%.

Dwie rzeczy w tej tabeli zasługują na bliższe przyjrzenie się. Po pierwsze, MAI-Transcribe-2 firmy Microsoft osiąga 4,1% / 4,0% — dokładnie tyle samo co Voxtral Small Transcribe 3, co do miejsca po przecinku. Tabela dostawcy, w której flagowy model dokładnie remisuje z najbliższym konkurentem, pokazuje albo uczciwy remis, albo wynik zaokrąglony; Mistral nie precyzuje, który to przypadek. Po drugie, wartość podana dla Whispera nie jest liczbą, którą ktokolwiek inny podaje dla Whispera. Whisper large-v3 osiąga średni WER 7,44 w Open ASR Leaderboard, a wariant Turbo — 4,6% w niezależnym rankingu Artificial Analysis. Szesnaście procent to wynik Whispera konkretnie na trudnych wielojęzycznych nagraniach FLEURS, a nie na angielskim w warunkach produkcyjnych. Wykorzystanie najbardziej wymagającego dostępnego podzbioru wobec konkurenta to standardowy zabieg marketingowy, ale wciąż zabieg marketingowy.

Niezależny ranking przedstawia bardziej zwarty obraz. Artificial Analysis plasuje Voxtral Small Transcribe 3 na poziomie 2,1% AA-WER, a Voxtral Mini Transcribe 3 na 2,2% — pierwsze i drugie miejsce na liście liderów trybu nieprzesyłania strumieniowego w chwili pisania tego tekstu, przy czym MAI-Transcribe-2 z wynikiem 2,0% zajmuje miejsce powyżej nich w zależności od tego, kiedy odczytuje się ranking. To wartości tak zbliżone, że kolejność zmieni się przy ponownych testach. Każdy, kto ogłasza zwycięzcę na podstawie różnicy 0,1 punktu, cytuje szum.

Gdzie warstwa czasu rzeczywistego oddaje dokładność

Wyniki dla trybu strumieniowego są najużyteczniejszą rzeczą, jaką opublikował Mistral, ponieważ są najmniej pochlebne. W FLEURS 35 bazowy model offline Voxtral Mini Transcribe 3 osiąga 4,0% WER. Model czasu rzeczywistego pogarsza się monotonicznie w miarę, jak prosisz go o wcześniejszą odpowiedź:

• opóźnienie 2 400 ms — 5,7% WER

• 960 ms — 6,0%

• 480 ms — 6,4%

• 240 ms — 7,4%

Dla kontrastu Mistral podaje G​emini 3.5 Realtime Transcribe na poziomie 4,2%, warstwę strumieniową Microsoftu na 5,8%, G​PT Live Transcribe na 8,4% i Scribe v2 Realtime na 8,7%. Uczciwa interpretacja jest więc taka: przy komfortowym opóźnieniu 2,4 sekundy poziom czasu rzeczywistego Voxtral jest konkurencyjny wobec Microsoftu i przewyższa strumieniowe modele O​penAI i ElevenLabs, ale nie przewyższa rozwiązania G​oogle’a, a przy 240 ms jest gorszy od wszystkiego poza dwoma modelami z końca stawki. Nagłówek „poniżej 500 ms” jest prawdziwy; kosztuje cię to jednak około trzech punktów dokładności w porównaniu z przetwarzaniem tego samego audio offline.

Diaryzacja to obszar, w którym rodzina modeli wypada najmocniej i w którym tabela dostawców odgrywa największą rolę. W przypadku WER opartego na konkatenacji i minimalnej permutacji Mistral podaje 18,4% dla Voxtral Small Transcribe 3, 18,6% dla wersji Mini, 19,0% dla Pyannote Orchestrator Precision 3, 20,3% dla MAI-Transcribe-2 i 38,4% dla G​emini 3.5 Transcribe. 20-punktowa różnica względem G​emini w przypisywaniu mówców to liczba, która decyduje o produkcie — transkrypcja spotkań, kontrola jakości rozmów — ale to narzędzie testowe jednego dostawcy zestawione z modelem innego dostawcy i żadna strona trzecia nie powtórzyła tego pomiaru.

Co obejmuje cena — w godzinach

Rozliczanie za minutę łatwo porównać, ale łatwo też się pomylić, gdy alternatywą jest rozliczanie za token. W przeliczeniu na tysiąc godzin audio, co odpowiada w przybliżeniu miesięcznemu wolumenowi średniej wielkości centrum kontaktowego:

• Voxtral Mini Transcribe 3 — 210 USD za 1000 godzin, czyli 0,0035 USD/min

• Voxtral Small Transcribe 3 — 240 USD za 1000 godzin po 0,004 USD/min

• Voxtral Mini Transcribe Realtime 3 — 480 USD za 1000 godzin, czyli 0,008 USD/min

• API agenta głosowego z rozumowaniem Mistral Small 4 — 2400 USD za 1000 godzin rozmowy przy 0,04 USD/min

Poziom agenta jest od pięciu do jedenastu razy droższy niż poziom transkrypcji, co jest właściwym rzędem wielkości, gdy weźmie się pod uwagę, że obejmuje model rozumujący i syntezę mowy. To także miejsce, w którym jest marża, a pozycjonowanie Mistrala — weryfikacja tożsamości, sprawdzanie rachunków, rezerwacja wizyt — zostało wybrane dla rozmów, w których jedno ukończone zadanie jest warte więcej niż minuta obliczeń.

Jedna strukturalna uwaga dotycząca całego cennika: każdy model tutaj jest w publicznej wersji zapoznawczej, a nie w wersji GA, a ceny wersji zapoznawczych podawane w wystąpieniach historycznie się zmieniały. Nie ma opublikowanego zobowiązania, że $0.0035 pozostanie $0.0035.

Czego Mistral nie wypuścił

Brak wag. Strona premierowa mówi, że Voxtral 3 jest dostępny przez API Mistrala z endpointami UE, USA i globalnymi oraz „do samodzielnego wdrożenia na własnej infrastrukturze” — ale nie publikuje licencji, liczby parametrów dla trzech z czterech modeli ani repozytorium Hugging Face. Dla kontekstu: wcześniejsze wydania mowy Mistrala były do pobrania: Voxtral Small 24B 2507 jest na licencji Apache 2.0 na Hugging Face, Voxtral 4B T​TS 2603 jest na licencji CC-BY-NC-4.0, a Voxtral Mini 4B Realtime Arabic pojawił się 8 października bez zadeklarowanej jakiejkolwiek licencji. To wydanie jest pierwszą generacją Voxtral, w której żaden model nie jest dostępny do pobrania. Samodzielne wdrożenie oznacza tutaj kontrakt enterprise, a nie pobranie.

Nie podano również: żadnej maksymalnej długości audio, żadnej wartości kontekstu dla warstw TTS lub agentowych ani żadnych szczegółów dotyczących retencji lub rezydencji danych poza regionami punktów końcowych. Jeśli oceniasz to pod kątem regulowanego nagrywania rozmów, te trzy luki należy domknąć podczas rozmowy zakupowej, a nie na podstawie wpisu ogłoszeniowego.

Jak faktycznie to wypróbować

Voxtral 3 nie znajduje się dziś w katalogu OrcaRouter, więc droga do jego oceny prowadzi przez własne API Mistrala i środowiska Studio, które obejmują transkrypcję, generowanie mowy, klonowanie głosu i pipeline agenta. Router pomaga natomiast w drugiej połowie decyzji: prawie nigdy nie chcesz mieć jednego stosu mowy, a umieszczenie modelu rozumującego, który obsługuje wywołania narzędzi twojego agenta, za jednym punktem końcowym oznacza, że możesz porównać Mistral Small 4 z kilkunastoma innymi modelami na tym samym transkrypcie bez przebudowywania pipeline'u. OrcaRouter udostępnia ceny listowe dostawców przy 0% narzutu i automatycznie przełącza się między dostawcami, co ma największe znaczenie dokładnie w tej sytuacji — model w warstwie preview bez historii dostępności przed sobą.

Praktyczna kolejność oceny, jeśli robisz to w tym tygodniu: przepuść swoje najgorszej jakości audio przez Voxtral Small Transcribe 3 i MAI-Transcribe-2 na tych samych 200 plikach, ponieważ obaj dostawcy podają ten sam wynik FLEURS i tylko Twoje audio może rozstrzygnąć remis. Następnie uruchom warstwę czasu rzeczywistego przy 960 ms i przy 2400 ms i policz, jak często detektor końca tury przerywa dzwoniącemu w połowie zdania — ten tryb awarii kosztuje w działającym agencie głosowym więcej niż jakakolwiek różnica WER w tej rodzinie. Następnie wyceniaj minutę agenta względem swojego wskaźnika containment, a nie względem rachunku za transkrypcję.

Co obejrzeć

Trzy rzeczy zdecydują o tym, czy to wydanie dobrze się zestarzeje. Niezależne powtórzenia testu twierdzenia o diarizacji — jedynej liczby w premierze, która naprawdę zmieniłaby decyzję zakupową. Czy pojawią się wagi, ponieważ możliwy do pobrania Voxtral natychmiast stałby się domyślną otwartą opcją diarizacji w językach europejskich i podważyłby cały powyższy argument cenowy. Oraz czy opóźnienie agenta poniżej sekundy utrzymuje się w rzeczywistej telefonii, a nie w demonstracji francuskiego skierowania — przerywanie (barge-in) i wykrywanie końca tury to miejsca, w których agenci głosowi zwykle zawodzą, i żadne z nich nie wystarcza jako dowód, gdy występuje tylko we wpisie na blogu dostawcy.