Voxtral 3 TTS против Voxtral 4B TTS: более новая модель, которую нельзя скачать

Неудобный факт о Voxtral 3 T​TS заключается в том, что эта модель лучше, чем Voxtral 4B T​TS почти по всем измеримым показателям и хуже в одном отношении, которое определяет судьбу некоторых развёртываний: её нельзя получить. Mistral выпустила Voxtral 4B T​TS 23 марта 2026 года как открытые веса — mistralai/Voxtral-4B-T​TS-2603 на Hugging Face, CC BY-NC 4.0, доступный для скачивания и запуска на собственных ускорителях. Voxtral 3 T​TS появилась 20 октября 2026 года только как API-продукт. На странице запуска описаны эндпоинты для ЕС, США и всего мира, playgrounds в Studio и самостоятельное развёртывание на частной инфраструктуре, и ни разу не сказано, что веса доступны. Таким образом, преемник, вышедший на семь месяцев позже, на 127 Elo лучше на доске слепого прослушивания (1 217 против 1 090), на 19% дешевле — $13 против $16 за миллион символов — и примерно на 42% быстрее — 112 против 79 символов в секунду, — и при этом он всё ещё не является заменой без доработок для модели, которую заменяет, потому что старшая модель — единственный представитель этого семейства, которым компания может реально владеть. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и отметку о спорности.

Две модели, семь месяцев, одна лицензионная граница

Эту границу стоит точно обозначить до любого бенчмарка, потому что она перестраивает всё сравнение.

• Voxtral 4B T​TS — открытые веса под лицензией CC BY-NC 4.0. Некоммерческое использование. Вы можете скачать его, изучить, запустить и дообучить; вы не можете поставлять его в составе платного продукта. Это ограничение унаследовано от наборов данных эталонных голосов, лежащих в его основе, а не от каких-либо технических ограничений контрольной точки. Самостоятельный хостинг для внутренней оценки допустим; самостоятельный хостинг в коммерческом сервисе для клиентов — нет.

• Voxtral 3 T​TS — закрытая модель. По состоянию на 21 октября 2026 года веса не опубликованы. «Самостоятельное развёртывание на частной инфраструктуре или в частном облаке» на странице Mistral — это предложение корпоративного развёртывания, согласуемое с поставщиком, а не ссылка для скачивания, и смешивать эти два понятия — самая простая ошибка, которую можно совершить при быстром чтении этой страницы.

Практическое следствие: если вы хотели Voxtral 4B TTS потому, что аудио никогда не покидает вашу сеть, то Voxtral 3 TTS его не заменяет — если только вы не подпишете что-то с Mistral. Если же вы хотели его потому, что он дешевле облачного API, то Voxtral 3 TTS заменяет его по цене и превосходит по качеству, а вопрос лицензии отпадает, поскольку вы покупаете услугу, а не файл. Один и тот же семимесячный разрыв решается по-разному в зависимости от того, какое из этих двух предложений описывает вашу ситуацию.

Табло

• Elo голоса провайдера — Voxtral 3 TTS: 1 217 (№13 из 98), 95%-й интервал 1 202–1 232. Voxtral 4B TTS: 1 090 (№46), интервал 1 078–1 102. Оба показателя — по данным Artificial Analysis, считанным 21 октября 2026 г.

• Цена за 1 млн символов — $13.00 против $16.00. При примерно 900 символах в минуту речи — $0.70 против $0.86 в час.

• Пропускная способность — медиана 112 символов в секунду против 79, по измерениям Artificial Analysis на нативном хосте каждой модели.

• Языки — Voxtral 3 T​TS: более 35 языков и более 50 диалектов, пресеты для 18. Voxtral 4B T​TS: 9 языков — английский, французский, немецкий, испанский, нидерландский, португальский, итальянский, хинди, арабский, с поддержкой диалектов.

• Адаптация голоса — Voxtral 3 TTS: «Pro Voice», 30 минут аудио. Voxtral 4B TTS: референсный промпт длительностью 5–25 секунд; в карточке модели указано, что достаточно и 3 секунд.

• Веса — закрытые против открытых (CC BY-NC 4.0).

Языковая линейка — самое крупное изменение, о котором никто не писал. Voxtral 4B T​TS поддерживает девять языков; новая модель заявляет 35+ языков и 50+ диалектов. Это четырехкратное расширение продукта, и это более сильный аргумент в пользу обновления, чем Elo, — 127 пунктов перемещают вас из середины таблицы в середину таблицы, но переход с девяти языков на тридцать пять меняет то, на каких рынках вы можете продавать.

Линейка адаптации голоса движется в противоположном направлении, и это единственный настоящий регресс. Voxtral 4B TTS клонирует голос по короткому эталонному клипу — согласно карточке модели, достаточно всего трёх секунд, а архитектура описывает окно промпта в 5–25 секунд. Pro Voice в Voxtral 3 TTS требует тридцати минут аудио, чтобы воспроизвести характер, эмоциональный диапазон и стиль говорящего на разных языках. Тридцать минут — это студийная сессия. Три секунды — это функция. Если ваш продукт позволяет пользователю услышать собственный голос, более новая модель хуже справляется с этой задачей.

Что 4B на самом деле представляет собой изнутри

Количество параметров в названии старой модели описывает реальную архитектуру, и это объясняет как её сильные стороны, так и то, почему преемник не является просто её увеличенной версией.

Voxtral 4B T​TS — это примерно четыре миллиарда параметров в трёх частях: магистраль декодера-трансформера на 3,4B, построенная на Ministral 3B, акустический трансформер flow-matching на 390M и нейронный аудиокодек на 300M. Он авторегрессионно работает поверх семантического VQ-кодека со словарём на 8 192 токена и подаёт данные в flow-matching-голову, которая предсказывает акустические признаки FSQ по 36 измерениям на 21 уровне и работает на частоте 12,5 Гц. Проще говоря: небольшая языковая модель читает текст и строит план, сеть flow-matching превращает этот план в аудиопризнаки, а кодек превращает признаки в сэмплы. Он нативно генерирует до двух минут; более длинный вывод обрабатывается с помощью чередования в API.

Опубликованный Mistral показатель для мартовской модели составлял 70 миллисекунд задержки модели для 10-секундного голосового образца и 500 символов при коэффициенте реального времени около 9,7x. Эти цифры были измерены на сервисном стеке Mistral, а не независимо, и они описывают модель, которая была по-настоящему быстрой для своего поколения. Пропускная способность октябрьской модели в Artificial Analysis — 112 символов в секунду против 79 — позволяет предположить, что преемник ещё быстрее, но Mistral вообще не публикует время до первого аудио для Voxtral 3 T​TS, а это странное упущение для компании, чья предыдущая модель T​TS начиналась с показателя задержки.

Два поколения архитектуры также заметны по количеству языков. Девять языков в марте, более тридцати пяти в октябре, причём транскрипционные модели этого семейства заявляют о поддержке всех 24 официальных языков ЕС. То, что изменилось между двумя чекпоинтами, изменило обучающие данные и покрытие токенизатора гораздо сильнее, чем акустический стек.

Кто должен сохранить 4B, а кто — переместиться

Оставьте Voxtral 4B T​TS, если верно хотя бы одно из следующих условий. Вам нужно, чтобы аудио обрабатывалось на контролируемом вами оборудовании, и вы не можете договориться о частном развёртывании. Вы проводите исследование или оценку, где CC BY-NC 4.0 разрешает использование и лицензия ничего не стоит. Вам нужно клонирование голоса по короткому образцу — три секунды против тридцати минут, и разница очевидна. Вы работаете на одном из девяти языков, которые он поддерживает, и качества достаточно — в этом случае бесплатный чекпойнт, который вы уже запускаете, ценнее, чем более качественный, к которому придётся обращаться.

Переходите на Voxtral 3 T​TS, если верно хотя бы одно из следующих условий. Вы продаёте результат и поэтому в любом случае никогда не имели права коммерчески размещать 4B у себя — в таком случае вы уже использовали API за $0,016 за тысячу символов, а новые $13 за миллион на 19% дешевле для модели, которая лучше на 127 Elo, что делает это самым простым обновлением в этом материале. Вам нужен язык за пределами исходных девяти. Вам нужен агентский стек: Voxtral 3 T​TS поставляется с SDK для голосовых агентов на базе LiveKit, поддержкой SIP и WebRTC, задержкой ответа агента менее секунды и пакетной ценой $0,04 за минуту с рассуждениями Mistral Small 4 — ничего из этого не существовало в мартовской модели.

Есть третья группа, которой следует запускать оба варианта, и она больше, чем кажется: команды, которые прототипируют на открытом чекпойнте, а в продакшене используют API. Voxtral 4B T​TS дает вам локальную модель для проверки промптов, голосов и режимов сбоев без затрат на каждый вызов и без выхода данных за пределы компании; Voxtral 3 T​TS дает вам продакшен-эндпоинт с языковым охватом и лицензией на продажу. Эти две модели происходят из одного семейства, но их API-интерфейсы не совпадают, поэтому закладывайте необходимость перенастройки промптов — разрыв в качестве в 127 пунктов означает другую модель, а не обновление версии, а элементы управления направлением, которые на 4B работали определенным образом, не обязательно перенесутся.

Если продакшн-путь должен пережить сбой поставщика, это аргумент в пользу того, чтобы поставить вызов синтеза за маршрутизатор, а не обращаться к Mistral напрямую. OrcaRouter предоставляет единый OpenAI-совместимый эндпоинт для более чем 200 моделей с передачей прайс-листовой цены провайдера при наценке 0%, поэтому при сбое одного бэкенда синтеза выполняется переключение на резервный вместо ухода в тишину — а голосовой конвейер, который рендерит ночные пакеты, — это ровно та нагрузка, где мёртвая конечная точка обходится в целую ночь, а не в один запрос. Модели Mistral доступны через собственный API Mistral и несколько сторонних платформ; проверьте каталог на актуальную доступность, прежде чем проектировать под конкретный ID модели.

Вопрос, на который Mistral не ответил

Получит ли Voxtral 3 TTS открытые веса? Мартовская модель получила их по некоммерческой лицензии и стала ориентиром того, как выглядит открытый чекпоинт TTS от европейской лаборатории. Ничто в октябрьском запуске это не повторяет. На странице явно указаны доступ через API и частное развёртывание, но ни слова о скачивании — та же схема, которую Mistral использовала для нескольких своих текстовых моделей, прежде чем через месяцы выпустить веса.

Если веса всё же выпустят, сравнение полностью изменится: условия лицензии будут определять, можно ли использовать открытую модель в коммерческих целях, а прецедент — CC BY-NC 4.0 — говорит о том, что, скорее всего, нет. Тогда ситуация останется примерно такой же, как сейчас: модель, доступная для скачивания, будет исследовательским артефактом, а пригодная для использования — сервисом.

Второй вопрос, оставшийся без ответа, — сохранит ли 4B своё место в списке API. В таблице цен Mistral на речевые модели указано новое семейство, а модель марта не упоминается, тогда как Artificial Analysis по-прежнему отслеживает её по цене $16 при активном хосте. Исторически Mistral сохраняла доступность старых речевых моделей надолго; если это правило сохранится, у команд будет по-настоящему полезный запасной вариант — чуть худшая и чуть более дорогая модель, которая тем не менее представляет собой другое развёртывание. Если же нет, всем, кто построил что-то на voxtral-mini-tts-latest в марте, нужно проверить, в какую модель теперь разрешается этот алиас, до следующего счёта.

Если коротко: Voxtral 3 TTS — лучшая модель и худший актив. Покупайте её ради языков, качества и агентного стека; оставьте Voxtral 4B TTS для локальной работы, клонирования по короткому референсу и девяти языков, с которыми она уже хорошо справляется. Единственная миграция, которая однозначно верна, — с хостингового API 4B на новый: тот же поставщик, та же лицензионная модель, дешевле и лучше, — и это единственный шаг в этом сравнении, который ничего не стоит.