Voxtral 3: Mistral ставит четыре речевые модели и API голосового агента на один счётчик

Интересная цифра в релизе Mistral от 20 октября — не частота ошибок в словах. Это 0,04 доллара в минуту. Столько компания берёт за Voxtral 3 — голосового агента: сквозной конвейер, который слышит звонящего, анализирует то, что сказал звонящий, с помощью Mistral Small 4, вызывает инструменты и отвечает голосом. Сложите части, которые Mistral продаёт по отдельности, и та же минута обойдётся дороже: Voxtral Mini Transcribe Realtime 3 за $0.008, плюс Voxtral Mini T​TS 3 примерно за $0.02 при обычном темпе речи, плюс сверху модель рассуждений. Продукт — это именно минута в пакете. Всё остальное — Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 — продаётся как компонент, который можно купить по отдельности, и как способ показать, что компоненты достаточно хороши, чтобы их стоило объединять в пакет. Пайплайны голосовых агентов дают сбои по причинам, о которых в тарифных картах никогда не пишут, а зафиксированные инциденты собраны в the OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, степень серьёзности, уровень уверенности и флаг спорности.

Что на самом деле нового — модель за моделью

Это обновление всей линейки, а не одной модели с новой версией. У каждого элемента своя задача и своя цена, и это разделение важнее общего названия.

• Voxtral Small Transcribe 3 — уровень точности. $0,004 за минуту, контекст 32k и флагманское обещание Mistral в области транскрипции с диаризацией. Он также выполняет перевод, вопросы и ответы по речи, суммаризацию и вызов функций, что делает его единственным представителем семейства, который ближе к аудиоязыковой модели, чем к транскрибатору.

• Voxtral Mini Transcribe 3 — 4 млрд параметров, $0,0035 за минуту, контекст 32k. Mistral указывает размер этой модели, но умалчивает о размере модели Small. Эта асимметрия примечательна: именно мини-модель позиционируют для массового сегмента и развёртывания на периферийных устройствах, поэтому её компактность — преимущество; о флагманской модели этого не сообщается.

• Voxtral Mini Transcribe Realtime 3 — потоковая передача через WebSocket по цене $0,008 за минуту, с настраиваемой задержкой от 80 мс до 2 400 мс и определением конца реплики, которое сочетает акустические и семантические сигналы, а не ждёт тишины. В документации указано «менее 500 мс»; настраиваемый нижний предел намного ниже этого значения, а цена снижения задержки в точности значительна — см. раздел с бенчмарками.

• Voxtral Speech 3 (в документации фигурирует как Voxtral Mini T​TS 3) — 13 долларов за миллион символов, около 90 мс до первого аудио, 34 тега эмоций и два тега темпа, девять языков, zero-shot и «профессиональное» клонирование голоса. На странице запуска Mistral указано, что для клонирования требуется 30+ минут эталонного аудио.

В основе лежит SDK голосового агента, построенный на LiveKit и потоковых ASR, LLM и TTS как едином конвейере. Он принимает SIP-звонки, сеансы WebRTC и существующие телефонные или IVR-транки, поддерживает перебивание и позволяет менять модель рассуждений, голос или язык без пересборки агента. Mistral заявляет о задержке ответа менее одной секунды.

Внимательно прочитайте таблицу бенчмарков.

Mistral опубликовала собственные цифры, и цифры хорошие. На FLEURS 45 макроусреднённый показатель доли ошибок в словах у Voxtral Small Transcribe 3 составляет 4,1% при принудительно заданном языке и 4,0% при определении языка. У Voxtral Mini Transcribe 3 — 4,6% / 4,5%. Для сравнения, в той же таблице вендора: G​emini 3.5 Transcribe — 6,1% / 4,5%, Scribe v2 — 4,9%, G​PT Transcribe — 6,3% / 5,6%, а Whisper large-v3 — 16,0% / 14,9%.

Две вещи в этой таблице заслуживают второго взгляда. Во-первых, Microsoft MAI-Transcribe-2 стоит на 4.1% / 4.0% — идентично Voxtral Small Transcribe 3, вплоть до знака после запятой. Если в таблице поставщика флагман ровно совпадает с ближайшим конкурентом, это либо честная ничья, либо результат округления; Mistral не уточняет, что именно. Во-вторых, цифра по Whisper — не то число, которое кто-либо ещё называет для Whisper. Whisper large-v3 показывает средний WER 7.44 в Open ASR Leaderboard, а вариант Turbo — {{1}}4.6%{{/1}} в независимом рейтинге Artificial Analysis. Шестнадцать процентов — это то, как Whisper выглядит именно на сложных многоязычных аудиоданных FLEURS, а не то, как он выглядит в реальной эксплуатации на английском. Использовать самый жёсткий из доступных срез для конкурента — обычный маркетинговый ход, но это маркетинговый ход.

Независимый лидерборд говорит о более плотной борьбе. По данным Artificial Analysis, Voxtral Small Transcribe 3 имеет показатель 2,1% AA-WER, а Voxtral Mini Transcribe 3 — 2,2%: первое и второе места в нестриминговом рейтинге на момент написания. При этом MAI-Transcribe-2 с 2,0% занимает позицию выше них — в зависимости от того, когда смотреть на таблицу. Эти значения настолько близки, что порядок изменится при повторных прогонах. Любой, кто называет победителя по разнице в 0,1 пункта, просто озвучивает шум.

Где тариф реального времени возвращает точность

{{1}}Потоковые показатели — самое полезное, что опубликовала Mistral, потому что они наименее лестные. На FLEURS 35 офлайн-бейзлайн Voxtral Mini Transcribe 3 составляет 4,0% WER. Модель реального времени деградирует монотонно по мере того, как вы просите её отвечать раньше:{{/1}}

• задержка 2 400 мс — 5,7% WER

• 960 мс — 6,0%

• 480 мс — 6,4%

• 240 мс — 7.4%

Для сравнения, Mistral приводит G​emini 3.5 Realtime Transcribe — 4,2%, стриминговую версию Microsoft — 5,8%, G​PT Live Transcribe — 8,4% и Scribe v2 Realtime — 8,7%. Так что честная интерпретация такова: при комфортной задержке в 2,4 секунды realtime-версия Voxtral конкурентоспособна с Microsoft и превосходит стриминговые модели O​penAI и ElevenLabs, но не превосходит модель G​oogle, а при 240 мс она хуже всех, кроме двух замыкающих моделей. Заявленный показатель менее 500 мс реален; просто за это вы платите примерно тремя процентными пунктами точности по сравнению с обработкой того же аудио офлайн.

Диаризация — это то, где семейство выглядит сильнее всего и где таблица вендоров несёт наибольшую нагрузку. По конкатенированному WER с минимальной перестановкой Mistral сообщает 18,4% для Voxtral Small Transcribe 3, 18,6% для Mini, 19,0% для Pyannote Orchestrator Precision 3, 20,3% для MAI-Transcribe-2 и 38,4% для G​emini 3.5 Transcribe. Разрыв в 20 пунктов с G​emini по атрибуции говорящих — это та цифра, которая решает судьбу продукта — транскрипция встреч, контроль качества звонков — но это стенд одного вендора против модели другого, и ни одна третья сторона его не перепроверяла.

Что можно получить за эту цену, в часах

Поминутную тарификацию легко сравнивать, но легко и ошибиться, когда альтернатива — тарификация за токены. В пересчёте на тысячу аудиочасов, что примерно равно месяцу работы контакт-центра среднего размера:

• Voxtral Mini Transcribe 3 — 210 долл. США за 1 000 часов по 0,0035 долл. США/мин

• Voxtral Small Transcribe 3 — 240 долларов за 1 000 часов по 0,004 доллара в минуту

• Voxtral Mini Transcribe Realtime 3 — 480 долларов США за 1000 часов по 0,008 доллара США в минуту

• API голосового агента с рассуждениями Mistral Small 4 — 2400 долларов за 1000 часов разговора при 0,04 доллара в минуту

Цена уровня агента в пять–одиннадцать раз выше цены уровня транскрипции, и это правильный порядок величины, если учесть, что он включает модель рассуждений и синтез речи. Именно здесь формируется маржа, а позиционирование Mistral — проверка личности, проверка счетов, запись на приём — выбрано для звонков, где одна выполненная задача стоит больше минуты вычислений.

Одно структурное предостережение по всему прайс-листу: каждая модель здесь находится в публичной предварительной версии, а не в GA, и цены на предварительные версии в Speech исторически менялись. Нет опубликованных обязательств, что $0.0035 останется $0.0035.

Что Mistral не выпустила

Никаких весов. На странице запуска указано, что Voxtral 3 доступна через API Mistral с эндпоинтами для ЕС, США и глобальным, а также «для самостоятельного развертывания на собственной инфраструктуре», — но там не опубликованы ни лицензия, ни количество параметров для трех из четырех моделей, ни репозиторий на Hugging Face. Для контекста: более ранние речевые релизы Mistral можно было скачать — Voxtral Small 24B 2507 распространяется под Apache 2.0 на Hugging Face, Voxtral 4B T​TS 2603 — под CC-BY-NC-4.0, а Voxtral Mini 4B Realtime Arabic появилась 8 октября вообще без объявленной лицензии. Это первое поколение Voxtral, в котором ни одна модель не доступна для скачивания. Самостоятельное развертывание здесь означает корпоративный контракт, а не скачивание.

Также отсутствуют: какая-либо максимальная длина аудио, какие-либо данные о контексте для уровней TTS или агентских уровней, а также какие-либо сведения о хранении или резидентности данных помимо регионов конечных точек. Если вы оцениваете это для регулируемой записи звонков, именно эти три пробела следует закрыть в разговоре с отделом закупок, а не из публикации о запуске.

Как на самом деле попробовать это

Voxtral 3 сегодня отсутствует в каталоге OrcaRouter, поэтому путь к его оценке лежит через собственный API Mistral и playground-среды Studio, которые охватывают транскрипцию, генерацию речи, клонирование голоса и агентный конвейер. А вот где роутер действительно помогает — так это во второй половине решения: один речевой стек вам почти никогда не нужен, а если модель рассуждений, которая обрабатывает вызовы инструментов вашего агента, стоит за единым эндпоинтом, вы сможете сравнить Mistral Small 4 с десятком других моделей на одной и той же транскрипции, не перестраивая конвейер. OrcaRouter передаёт цены провайдеров по прайс-листу при наценке 0% и автоматически переключается между провайдерами при сбоях, что особенно важно именно в такой ситуации — модель preview-уровня, за которой ещё нет никакой истории доступности.

Практический порядок оценки, если вы занимаетесь этим на этой неделе: прогоните свой самый проблемный аудиоматериал через Voxtral Small Transcribe 3 и MAI-Transcribe-2 на одних и тех же 200 файлах, потому что оба поставщика выдают одинаковый балл FLEURS, и только ваш аудиоматериал может разрешить ничью. Затем запустите режим реального времени при 960 мс и 2400 мс и посчитайте, как часто детектор конца реплики обрывает звонящего на середине фразы, — этот режим отказа обходится живому агенту дороже, чем любая разница в WER внутри этого семейства. Затем сопоставьте стоимость минуты работы агента с вашим показателем самостоятельного решения обращений, а не со счётом за транскрипцию.

Что посмотреть

Три вещи решат, сохранит ли этот релиз актуальность в долгосрочной перспективе. Независимые повторные проверки заявления о диаризации — единственная цифра в запуске, которая действительно могла бы изменить решение о покупке. Появятся ли веса: загружаемый Voxtral сразу стал бы открытым вариантом по умолчанию для диаризации на европейских языках и подорвал бы весь ценовой аргумент выше. И сохранится ли задержка агента менее секунды в реальной телефонии, а не в демо с французским направлением, — перебивание и определение конца реплики обычно и становятся слабыми местами голосовых агентов, и ни то, ни другое не выдерживает проверки, если единственное доказательство — пост в блоге вендора.