Voxtral 3 от Mistral: модель транскрипции №3 и голос за $13

Начать стоит с цифры 2,1%. Именно такую частоту ошибок в словах измерила Artificial Analysis для Voxtral Small Transcribe 3, что ставит новый распознаватель Mistral на третье место в независимом рейтинге распознавания речи по состоянию на 21 октября 2026 года — позади только Fun-Realtime-ASR-preview от Alibaba с 1,7% и MAI-Transcribe-2 от Microsoft с 2,0%, и впереди ElevenLabs Scribe v2 с 2,2%. Тот же релиз от 20 октября также выпустил Voxtral 3 TTS — модель синтеза по цене 13 долларов за миллион символов, которая занимает тринадцатое место на арене Provider Voice и четырнадцатое на арене Controlled Voice. Один из этих результатов — настоящий подъём в таблице. Другой — добротный середнячок с агрессивным ценником, и разрыв между тем, как были поданы оба анонса, и тем, какие оценки они в итоге получили, — самое полезное в этом запуске. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись сопровождается собственными источниками, уровнем серьёзности, степенью уверенности и отметкой об оспаривании.

Всё нижеследующее разделяет три типа утверждений: цифры из таблиц слепого прослушивания и транскрипции Artificial Analysis (независимые данные), цифры с собственной страницы запуска Mistral (данные, сообщённые производителем), и арифметические расчёты, выполненные здесь на основе опубликованных цен. Они не взаимозаменяемы, а страница запуска представляет их так, что их легко смешать.

Именно результат транскрипции действительно поднимает Mistral вверх в рейтинге.

Voxtral Small Transcribe 3 — флагман семейства из четырёх моделей и единственная часть релиза с независимой оценкой, которая явно превосходит действующих лидеров. При WER 2,1% она отстаёт от Microsoft MAI-Transcribe-2 на 0,1 пункта и опережает Scribe v2 на 0,1 — разрывы вполне укладываются в шум одного набора оценки, но этого достаточно, чтобы Mistral упоминалась в числе лидеров таблицы, а не среди догоняющих.

Показатель скорости — более удивительная половина. Artificial Analysis измеряет медианный коэффициент скорости 66,6 для Voxtral Small Transcribe 3 против 20,3 у занимающей первое место Fun-Realtime-ASR-preview и 308,8 у MAI-Transcribe-2. Проще говоря, модель Mistral транскрибирует примерно 67 минут аудио на минуту вычислений — в четыре раза медленнее, чем у Microsoft, и в три раза быстрее, чем у Alibaba. Дешёвая, точная и умеренно медленная — вполне подходящий вариант для пакетной транскрипции; но плохой вариант для всего интерактивного, поэтому Mistral продаёт отдельную модель реального времени.

Семейство в том виде, в каком оно было поставлено 20 октября:

• Voxtral Small Transcribe 3 — более 50 языков, диаризация, контекстная настройка, $0,004 за минуту ($4,00 за 1 000 минут). Выбор для точности.

• Voxtral Mini Transcribe 3 — 4 млрд параметров, 50+ языков, $0,0035 за минуту. Показывает 2,2% WER в том же рейтинге — статистически на одном уровне с моделью Small при затратах на 12,5% меньше, из-за чего переплату за уровень Small трудно оправдать одной лишь точностью.

• Voxtral Mini Transcribe Realtime 3 — потоковый режим, заявленная задержка менее 500 мс, $0,008 за минуту. На собственной странице Mistral в двух разных местах для этой модели указано как «35+ языков», так и «40+ языков»; никто сторонний не проверял, какое утверждение верно.

• Voxtral 3 TTS — пакетный синтез и синтез в реальном времени по цене $13 за миллион символов, 35+ языков и 50+ диалектов. Модель, которую в таблице цен Mistral называют «Voxtral Speech 3», а в документации указывают как voxtral-mini-tts-3-0.

На собственной оценке Mistral по FLEURS 45 модель Voxtral Small Transcribe 3 показывает 4,1% WER при принудительно заданном языке и 4,0% при определении языка. Это другой бенчмарк, не тот, который проводит Artificial Analysis, поэтому на странице вендора указано 4%, а в независимом лидерборде — 2,1%. Ни одно из чисел не ошибочно; ошибка в публикациях о запуске возникает, когда оба числа цитируют в одном предложении, не поясняя, какое к какому бенчмарку относится. Mistral также утверждает, что в её наборе сравнения самая низкая ошибка диаризации — 18,4% cpWER и 94,6% полноты ключевых фраз при контекстном смещении по сравнению с 81,4% без него; эти данные предоставлены вендором и не воспроизведены.

Голосовая модель — среднего уровня, а всю аргументацию берёт на себя цена.

Пост Mistral в соцсетях представляет запуск T​TS как вход в топ-12 обеих арен синтеза речи. Актуальные таблицы на 21 октября рассказывают чуть более мягкую историю: Voxtral 3 T​TS занимает 13-е место в Provider Voice с 1 217 Elo (95%-й интервал 1 202–1 232, диапазон равных мест с 11-го по 17-е) и 14-е место в Controlled Voice с 1 066 Elo (диапазон равных мест с 10-го по 19-е). Иными словами, модель входит в топ-15 в обоих случаях, а доверительные интервалы пересекаются с пятью другими моделями, поэтому точное место не является устойчивым фактом. Это второй день модели в таблице, и её объём выборки — 1 619 сравнений — значительно ниже 3 000+, накопленных лидерами.

Стабильна именно окрестность. С рейтингом 1 217 Elo Voxtral 3 TTS идёт наравне с Realtime TTS-2 Flash и StepAudio 2.5 TTS, опережает ElevenLabs Eleven v3 с 1 182 и уступает Cartesia Sonic 3.6 с 1 289, Qwen-Audio-3.1-TTS-Plus с 1 299 и ElevenLabs Eleven v4 с 1 328.

О двух вещах, связанных с этой позицией, стоит сказать прямо. Во-первых, Voxtral 3 TTS — это явное улучшение от поколения к поколению для Mistral: Voxtral TTS за март 2026 года набрал 1090 баллов в той же таблице, так что это скачок на 127 баллов. Во-вторых, этот скачок не закрыл разрыв с передовыми моделями. Предыдущая модель Mistral сильно отставала; новая находится в середине списка.

Что на самом деле можно купить за 13 долларов за миллион символов

Цена — вот в чём этот релиз становится интересным, и именно здесь прямое прочтение пресс-релиза введёт вас в заблуждение. При цене $13 за миллион символов Voxtral 3 T​TS обходится примерно в $0,70 за час сгенерированной речи, если исходить из примерно 900 символов на минуту озвучки. Cartesia Sonic 3.6 стоит $2,65 в час при $49, ElevenLabs Eleven v4 — $4,32 при $80, а Q​wen-Audio-3.0-T​TS-Plus — $1,04 при $19,31. По сравнению с премиальным сегментом экономия реальна и велика.

В сравнении с бюджетным сегментом это не нокаут. Simba 3.2 занимает #10 с 1 245 Elo — на 28 баллов выше Voxtral 3 T​TS — при $6,6 за миллион символов, вдвое дешевле. Realtime T​TS-2 Flash набирает те же 1 217 Elo при $10,4. Gemini 3.8 Flash-Lite T​TS набирает 1 250 при $11. По грубому соотношению Elo на доллар, которое трактует Elo как линейную величину, хотя она таковой не является, и которое следует воспринимать как приблизительную сортировку, а не измерение, Voxtral 3 T​TS оказывается примерно на уровне 94 баллов на доллар против 189 у Simba 3.2 и 118 у Realtime T​TS-2 Flash.

Честный вывод: Mistral назначила цену на модель так, чтобы она была конкурентоспособной, а не прорывной. Она дешевле каждой модели, которая превосходит её более чем на 50 Elo, и уступает по соотношению цены и качества как минимум трём моделям, которые превосходят её по качеству. Это обычный запуск, а не событие пересмотра цен.

Здесь маршрутизация важна тем, что позволяет поддерживать это сравнение актуальным, а не в электронной таблице. OrcaRouter предоставляет единый API для 200+ моделей и передаёт цену из прайс-листа провайдера с наценкой 0%, так что когда такой поставщик, как Mistral, меняет тариф, число, которое видит ваш код, меняется вместе с ним, а замена эндпоинта синтеза, стоящего за голосовым конвейером, — это изменение конфигурации, а не второй контракт. Вопрос о том, входит ли Voxtral 3 T​TS в этот конвейер, — отдельный от вопроса о том, является ли она лучшей моделью в рейтинге; а в рейтинге сегодня — нет.

Часть релиза, которая не является моделью

Самым значимым из того, что Mistral выпустила 20 октября, может быть вовсе не одна из двух моделей, получивших оценку. В состав семейства входит SDK голосового агента на базе LiveKit, поддерживающий SIP-телефонию, WebRTC, IVR и интеграции с контакт-центрами, с заявленным полным циклом ответа агента менее чем за секунду и обработкой перебивания. Mistral оценивает весь цикл работы агента — речевой ввод, рассуждение, речевой вывод — в $0.04 за минуту, если моделью рассуждения является Mistral Small 4, или в $0.08 за минуту с другой моделью рассуждения.

Этот поминутный пакет — это иная единица измерения, нежели тариф TTS за символ, и напрямую сравнивать эти две величины — распространённая ошибка. Голосовой агент, который говорит 30 секунд в течение минутного звонка, расходует примерно 4 500 символов синтеза, что при $13 за миллион составляет менее шести центов, — так что пакет за $0,04 вполне конкурентоспособен по сравнению со сборкой компонентов самостоятельно, при условии, что модель рассуждений Mistral вам всё равно была нужна. Кроме того, именно в пакете аргумент о переходе на резерв оправдывает себя в продакшене: голосовой агент с неработающей конечной точкой синтеза — это молчащая телефонная линия, а ветка рассуждений в этом конвейере — как раз то, для чего нужен маршрутизатор с автоматическим переключением при отказе.

Чего Mistral не выпустила, так это открытых весов. На странице Voxtral 3 описаны доступ через API, площадки Studio и самостоятельное развёртывание на частной инфраструктуре, но нигде не сказано, что веса можно скачать. Voxtral TTS, выпущенная в марте, была опубликована на Hugging Face под лицензией CC BY-NC 4.0; ничего в этом релизе того не повторяет. Если самостоятельный хостинг является обязательным требованием, это поколение пока что на него не отвечает.

Три вещи, которые ещё никто не измерил

Отсутствие опубликованного показателя задержки для Voxtral 3 T​TS — самый заметный пробел в материалах запуска. Mistral указывает менее 500 мс для транскрипции в реальном времени и менее одной секунды на полный ход агента, но не приводит время до первого аудио для синтеза — а именно этот показатель определяет, воспринимается ли голосовой агент как разговорный. Artificial Analysis сообщает медианное время генерации 7,2 секунды и медианную пропускную способность 112 символов в секунду, но оба показателя описывают пакетный рендеринг, а не поведение при потоковой передаче. Медиана в 112 символов в секунду — достойный результат: быстрее, чем 56 у ElevenLabs Eleven v3, и медленнее, чем 145 у Sonic 3.6, — но он ничего не говорит о первых 200 миллисекундах.

Клонирование голоса — второй пробел. Адаптация «Pro Voice» от Mistral воспроизводит характер и эмоциональный диапазон диктора по 30 минутам аудио. Это процесс студийного уровня, а не мгновенное клонирование за десять секунд, которое рекламирует Cartesia, или клонирование за тридцать секунд, которое предлагает ElevenLabs, и это позиционирует Voxtral 3 T​TS для брендовых голосов, а не для пользовательской работы над персонажами.

Третье — выносливость. В собственных материалах Mistral не указана максимальная длина генерации для эндпоинта TTS, а сэмплы арены — это короткие клипы. Долгие повествования — тот случай, где модель со средним рейтингом Elo всё ещё может быть правильным выбором, если сохраняет связность на протяжении десяти минут, а такой тест никто не публиковал.

Справедливая интерпретация событий 20 октября такова: Mistral выпустила настоящего конкурента в транскрипции и модель TTS, достаточно хорошую, чтобы попасть в шортлист, и достаточно дешёвую, чтобы её попробовать. Направление транскрипции — это где компания заслужила заголовок. Направление синтеза — это где она его купила.