Voxtral 3 kontra Gemini 3.5 Transcribe: Mistral twierdzi, że wygrywa słowa — Google wygrywa resztę

W jedynym wskaźniku, który obaj dostawcy zgadzają się publikować, te dwa modele różnią się o włos. Voxtral Small Transcribe 3 — flagowy transkryber Mistrala z rodziny Voxtral 3 wydanej 20 października 2026 r. — osiąga 2,1% współczynnika błędów słów w rankingu Artificial Analysis dla trybu nieprzesyłowego. G​emini 3.5 Transcribe, który G​oogle udostępnia jako model ogólnie dostępny od 26 sierpnia 2026 r., osiąga 2,6% w tym samym rankingu. Pół punktu to około pięć dodatkowych błędów na tysiąc słów. To nie jest powód, by wybierać jeden z nich. Powody leżą we wszystkim ponad słowami: G​emini wykonuje diaryzację dla ośmiu mówców, przyjmuje tysiąc niestandardowych terminów słownictwa, usuwa dysfluencje i rozwiązuje samopoprawki w jednym przebiegu oraz obejmuje ponad 85 lokalizacji. Voxtral według własnej tabeli wykonuje diaryzację mierzalnie lepiej, obsługuje ponad 50 języków i oferuje niższą stawkę za minutę niż G​oogle. Ta strona dotyczy tego, które z tych różnic faktycznie trafiają do Twojego potoku. Współczynniki błędów słów nie odnotowują, jak API transkrypcji któregokolwiek z dostawców zawodzi pod obciążeniem, a te incydenty są skatalogowane w Archiwum incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, dotkliwość, stopień pewności i oznaczenie sporności.

Co każdy z nich sprzedaje

Sposób, w jaki Mistral pozycjonuje Voxtral Small Transcribe 3, to dokładność plus przypisywanie mówców. Jest to „flagowy model transkrypcji i diaryzacji” w rodzinie, natywnie obsługuje znaczniki czasu i diaryzację, a także tłumaczenie, Q&A na temat mowy, streszczanie i wywoływanie funkcji — co jest dyskretnym sposobem powiedzenia, że to model audio-językowy zajmujący się transkrypcją, a nie zwykły transkryber. W cenie $0.004 za minutę przy kontekście 32k jest wyceniany jako bezpośredni zamiennik zarządzanych interfejsów API do transkrypcji.

Sposób, w jaki Google ujmuje Gemini 3.5 Transcribe, dotyczy tego, co dzieje się z transkrypcją po rozpoznaniu. Domyślny tryb `verbatim` zachowuje wypełniacze, fałszywe początki i powtórzenia; tryb `smart` usuwa je i stosuje ustrukturyzowane formatowanie; własne słownictwo faworyzuje Twój żargon; znaczniki czasu na poziomie słów są zwracane jako adnotacje; a etykiety mówców przychodzą jako `spk_1`, `spk_2` i tak dalej. Działa przez Interactions API dla plików oraz osobny SKU `gemini-3.5-transcribe-live` do streamingu i oferuje darmowy plan, którego Mistral nie oferuje.

Mówiąc najprościej: Mistral sprzedaje ci lepsze ucho, a G​oogle sprzedaje ci lepszego redaktora.

Dimension by dimension

• Niezależna dokładność — Voxtral Small Transcribe 3 z 2,1% AA-WER wobec G​emini 3.5 Transcribe z 2,6%, oba w rankingu non-streaming Artificial Analysis. Własna tabela FLEURS Mistrala pokazuje szerszą różnicę: 4,1% dla wymuszonego języka w przypadku Voxtrala wobec 6,1% dla G​emini, ale tylko 4,0% wobec 4,5% przy języku wywnioskowanym. Niezależny ranking zgadza się z odczytem opartym na języku wywnioskowanym, więc liczbę 6,1% należy traktować jako niepewny punkt tabeli Mistrala, a nie jako główny wynik.

• Cena — 0,004 USD/min vs 0,005 USD/min, obie to uśrednione stawki cennikowe. To 240 USD vs 300 USD za tysiąc godzin audio. Realna różnica, ale sama w sobie nierozstrzygająca; 20-procentowa delta zostaje zniwelowana przez jedno ponowne przetworzenie wadliwej partii.

• Atrybucja mówców — Voxtral Small Transcribe 3 osiąga 18,4% połączonego WER z minimalną permutacją na stanowisku testowym Mistrala, wobec 38,4% dla G​emini 3.5 Transcribe w tej samej tabeli dostawcy. To największa różnica w poście premierowym i ta, która najprawdopodobniej będzie miała największe znaczenie. Zaznaczmy to uczciwie: obie liczby pochodzą od Mistrala, zostały uzyskane na stanowisku testowym Mistrala, a G​oogle nie opublikował równoważnego wyniku diaryzacji, z którym można by je porównać. Dokumentacja G​oogle'a ujawnia jednak twardy limit, który nie jest wynikiem benchmarku — ośmiu mówców, przy czym atrybucja jest „eksperymentalna" dla trzech lub więcej — co w przypadku transkrypcji spotkań jest ograniczeniem produktu, a nie kwestią jakości.

• Zakres językowy — Voxtral: ponad 50 języków, w tym wszystkie 24 oficjalne języki UE oraz zestaw języków azjatyckich i indyjskich o ograniczonych zasobach. Gemini: ponad 85 wariantów regionalnych z podpowiedziami BCP-47 i przełączaniem kodów w obrębie zdania. Lista Google'a jest dłuższa i, co ważniejsze, nazwana — możesz sprawdzić, czy Twoje ustawienia regionalne się na niej znajdują. „50+” u Mistrala to liczba bez listy.

• Limity audio — G​emini ogranicza audio w trybie unarnym do jednej godziny, a do trzydziestu minut, gdy poprosisz o diaryzację lub znaczniki czasu słów. Mistral w ogóle nie podaje maksymalnej długości audio dla Voxtral Small Transcribe 3. To milczenie nie jest funkcją. Jeśli przetwarzasz długie pliki, G​emini jest jedynym z tej dwójki, pod który możesz dobrać rozmiar kolejki zadań bez pytania działu sprzedaży.

• Kontrola słownictwa — Gemini akceptuje do 1000 niestandardowych terminów (najlepsze wyniki do około 100) i wyraźnie ostrzega, że niestandardowego słownictwa nie można łączyć z diaryzacją ani znacznikami czasu słów. Biasowanie kontekstu w Voxtralu przyjmuje terminy kluczowe i tekst swobodny, a Mistral podaje czułość fraz kluczowych na poziomie 94,6% z promptowaniem w porównaniu z 81,4% bez promptowania. Zwróć uwagę na charakter tego twierdzenia: to czułość z biasowaniem, a nie błędy z biasowaniem, i jest ono zgłaszane przez dostawcę.

• Obsługa autokorekt — Tryb `smart` Gemini rozwiązuje autokorekty i normalizuje wypowiadane liczby oraz waluty. Mistral nie oferuje równoważnego udokumentowanego trybu. Jeśli Twoje nagrania to wywiady lub rozmowy z centrów obsługi pełne zwrotów „nie, czekaj, miałem na myśli”, to pojedyncza funkcja, która najprawdopodobniej przesądzi o wyborze.

• Strumieniowanie — Gemini ma dostępny SKU w uśrednionej cenie około $0.009/min. Warstwa strumieniowa Voxtrala to inny model, Voxtral Mini Transcribe Realtime 3, w cenie $0.008/min, z opóźnieniem konfigurowalnym od 80 do 2400 ms. Model strumieniowy żadnego z dostawców nie jest flagowym produktem pod względem dokładności, więc porównywanie dokładności strumieniowania z powyższymi liczbami dla przetwarzania wsadowego to błąd kategorii.

• Dojrzałość — G​emini 3.5 Transcribe jest ogólnie dostępny (GA) od 26 sierpnia 2026 r. i ma niezależny wynik WER na publicznej tablicy wyników. Voxtral Small Transcribe 3 jest w publicznej wersji zapoznawczej od 20 października 2026 r., bez historii dostępności, bez daty GA i bez opublikowanego zobowiązania, że jego cena w wersji zapoznawczej się utrzyma.

Numer diaryzacji jest tym, który należy przetestować.

Jeśli w tym porównaniu jest jedno zdanie, które powinno skłonić cię do sięgnięcia po własne nagranie audio, to jest nim: Mistral twierdzi, że błąd diaryzacji wynosi 18,4% wobec 38,4% u Gemini, a Google nie publikuje żadnej liczby będącej kontrargumentem. To podejrzanie duża różnica jak na różnicę klasy dokładności — 2,1% vs 2,6% przy zwykłej transkrypcji nie zapowiada dwukrotnej różnicy w przypisywaniu mówców. Istnieją dwa wyjaśnienia i tylko twoje dane pozwalają je rozstrzygnąć. Albo diaryzacja Gemini jest faktycznie słabsza, co pasowałoby do udokumentowanego limitu ośmiu mówców i oznaczenia „eksperymentalna” dla trzech lub więcej mówców, albo środowisko testowe Mistrala faworyzuje jego własny model w sposób, którego neutralne powtórzenie by nie odtworzyło.

Praktyczny test: weź czterdzieści minut najgorszego nagrania z wieloma mówcami, jakie masz — przesłuchy, mówca na linii telefonicznej, co najmniej jedno miejsce, w którym dwie osoby mówią jedna przez drugą — uruchom oba i licz przełączenia mówców, a nie błędy w słowach. To zajmuje jedno popołudnie i rozstrzyga twierdzenie, którego żaden z dostawców nie rozstrzygnie za ciebie.

Ile naprawdę kosztują transkrypcje na dużą skalę

Przeliczmy to na organizację wsparcia, która rejestruje 4 000 godzin miesięcznie. Przy $0,004/min Voxtral Small Transcribe 3 kosztuje $960. Przy $0,005/min G​emini 3.5 Transcribe kosztuje $1 200. Miesięczna różnica $240 jest realna i wynosi w przybliżeniu koszt jednej roboczogodziny inżyniera na dzień roboczy, co jest właściwym sposobem jej oceny: znacząca wobec alternatywy self-hosted, której koszty operacyjne wynoszą zero, nieistotna, jeśli tryb `smart` w G​emini eliminuje etap przetwarzania końcowego, za który w przeciwnym razie trzeba by zapłacić.

Ten etap przetwarzania końcowego to zwykle miejsce, w którym porównanie cen się załamuje. Surowy transkrypt z wypełniaczami i nierozwiązanymi autokorektami wymaga przebiegu czyszczenia — albo warstwy wyrażeń regularnych, którą utrzymujesz, albo wywołania LLM na plik. Oczyszczony, z interpunkcją i oznaczeniami mówców transkrypt z Gemini tego nie wymaga. Jeśli Twój potok obecnie zużywa jedno wywołanie modelu językowego na transkrypt, aby poprawić formatowanie, uwzględnij to wywołanie w porównaniu, zanim uznasz, że Mistral jest o 20% tańszy.

Dla zespołów, które chcą obu rozwiązań — diaryzacji firmy Mistral w rozmowach, w których mówcy mają znaczenie, i czyszczenia przez G​emini w masowym archiwum — ograniczeniem zwykle są klucze i dostawcy, a nie pieniądze. Katalog modeli OrcaRouter nie obejmuje obecnie ani Voxtral 3, ani G​emini 3.5 Transcribe, więc ta konkretna kombinacja nadal oznacza dwie umowy. Pomagamy natomiast w warstwie powyżej: model rozumowania, który podsumowuje lub kieruje tymi transkrypcjami, może pochodzić z jednego punktu końcowego z automatycznym przełączaniem awaryjnym, dzięki czemu wybór dostawcy mowy nie blokuje też wyboru modelu w dalszym etapie.

Werdykt

Wybierz Voxtral Small Transcribe 3, jeśli Twoim problemem są mówcy, a Twoje języki są europejskie — deklaracja diaryzacji, 24 języki UE i o 20% niższa stawka wskazują w tym samym kierunku, a 2,1% WER w niezależnym rankingu oznacza, że nie poświęcasz za to dokładności. Wybierz G​emini 3.5 Transcribe, jeśli Twoim problemem jest sam transkrypt: autokorekty, formatowanie, duża lista nazwanych ustawień regionalnych i opublikowany limit długości audio, względem którego możesz planować zasoby. Jedyne, czego bym nie zrobił, to wybór na podstawie różnicy 0,5 punktu WER. Jest ona mniejsza niż wariancja między kolejnymi uruchomieniami w dowolnym rankingu, a obaj dostawcy podają liczbę, która im odpowiada, z tej samej rodziny ewaluacji.

Otwarte pytanie brzmi, co się stanie, gdy Voxtral Small Transcribe 3 opuści wersję zapoznawczą. Jeśli Mistral utrzyma $0.004, a niezależny ponowny przebieg diaryzacji potwierdzi 18-punktową różnicę, przestaje to być trudną decyzją dla każdego, kto zajmuje się analityką spotkań lub rozmów telefonicznych. Jeśli cena zmieni się przy GA, sprawa zawęża się z powrotem wyłącznie do pokrycia językowego i przypisania mówców.