Voxtral 3 против Gemini 3.5 Transcribe: Mistral заявляет, что побеждает по словам — Google побеждает в остальном

По единственному показателю, который оба поставщика согласны публиковать, эти двое различаются на волосок. Voxtral Small Transcribe 3 — флагманский транскрайбер Mistral из семейства Voxtral 3, выпущенного 20 октября 2026 года, — показывает 2,1% частоты ошибок в словах в нестриминговом рейтинге Artificial Analysis. G​emini 3.5 Transcribe, которую G​oogle предлагает как общедоступную модель с 26 августа 2026 года, показывает 2,6% в том же рейтинге. Пять десятых процентного пункта — это примерно пять дополнительных ошибок на тысячу слов. Это не причина выбирать один из них. Причины — это всё, что находится выше уровня слов: G​emini выполняет диаризацию для восьми говорящих, принимает тысячу терминов пользовательского словаря, устраняет речевые запинки и обрабатывает самокоррекции за один проход, а также охватывает 85+ локалей. Voxtral выполняет диаризацию измеримо лучше по собственной таблице, поддерживает 50+ языков и предлагает более низкую, чем у G​oogle, поминутную ставку. Эта страница о том, какие из этих различий действительно доходят до вашего пайплайна. Частота ошибок в словах не отражает, как именно API транскрипции того или иного поставщика даёт сбои под нагрузкой, и эти инциденты каталогизированы в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку уверенности и флаг спорности.

Что продаёт каждый из них

Mistral позиционирует Voxtral Small Transcribe 3 как сочетание точности и атрибуции говорящих. Это {{1}}«флагманская модель транскрипции и диаризации»{{/1}} в семействе: она нативно поддерживает временные метки и диаризацию, а также перевод, вопросы и ответы по речи, суммаризацию и вызов функций — что является сдержанным способом сказать, что это аудиоязыковая модель, которая транскрибирует, а не транскрибатор. При цене $0.004 за минуту и контексте 32k она позиционируется по цене как прямая замена управляемым API транскрипции.

G​oogle описывает G​emini 3.5 Transcribe через то, что происходит с транскриптом после распознавания. Режим по умолчанию `verbatim` сохраняет слова-паразиты, фальстарты и повторы; режим `smart` удаляет их и применяет структурированное форматирование; пользовательский словарь смещает распознавание в сторону вашего жаргона; временные метки на уровне слов возвращаются в виде аннотаций; а метки говорящих приходят как `spk_1`, `spk_2` и так далее. Он работает через Interactions API для файлов и отдельный SKU `gemini-3.5-transcribe-live` для потоковой передачи, а также предлагает бесплатный уровень, которого нет у Mistral.

Проще говоря: Mistral продаёт вам лучший слух, а G​oogle — лучший редактор.

Измерение за измерением

• Независимая точность — Voxtral Small Transcribe 3 с 2,1% AA-WER против Gemini 3.5 Transcribe с 2,6%, оба в нестриминговом рейтинге Artificial Analysis. В собственной таблице FLEURS от Mistral разрыв шире: 4,1% при принудительно заданном языке для Voxtral против 6,1% для Gemini, но только 4,0% против 4,5% при автоматическом определении языка. Независимый рейтинг согласуется с трактовкой по определённому языку, поэтому цифру 6,1% следует считать скорее слабым местом таблицы Mistral, чем главным показателем.

• Цена — $0.004/мин против $0.005/мин, обе — средневзвешенные ставки по прайс-листу. Это $240 против $300 за тысячу аудиочасов. Существенно, но само по себе не решает; 20%-я разница стирается одним повторным прогоном неудачного пакета.

• Атрибуция спикеров — Voxtral Small Transcribe 3 с показателем 18,4% конкатенированного WER с минимальной перестановкой на стенде Mistral против Gemini 3.5 Transcribe с 38,4% в той же таблице производителя. Это самый большой разрыв в посте о запуске и, вероятно, тот, который будет иметь наибольшее значение. Оговорим это честно: обе цифры принадлежат Mistral, получены на стенде Mistral, а Google не опубликовал сопоставимой оценки диаризации для сверки. В документации Google всё же указан жёсткий потолок, который не является бенчмарком — восемь спикеров, причём для трёх и более атрибуция помечена как «экспериментальная», — и для транскрипции совещаний это продуктовое ограничение, а не вопрос качества.

• Языковое покрытие — Voxtral: 50+ языков, включая все 24 официальных языка ЕС и ряд малоресурсных азиатских и индийских языков. Gemini: 85+ локалей с подсказками BCP-47 и переключением кода внутри предложения. Список Google длиннее и, что важнее, поименован — можно проверить, есть ли ваша локаль в нём. «50+» Mistral — это число без списка.

• Лимиты аудио — G​emini ограничивает унарное аудио одним часом или тридцатью минутами, если запрашивать диаризацию или временные метки слов. Mistral вообще не публикует максимальную длину аудио для Voxtral Small Transcribe 3. Это молчание — не функция. Если вы обрабатываете длинные файлы, G​emini — единственный из этих двух, по которому можно планировать очередь заданий, не обращаясь в отдел продаж.

• Управление словарём — Gemini принимает до 1000 пользовательских терминов (лучшие результаты — примерно до 100) и явно предупреждает, что пользовательский словарь нельзя сочетать с диаризацией или временными метками слов. Контекстное смещение Voxtral принимает ключевые термины и свободный текст, и Mistral сообщает о полноте распознавания ключевых фраз 94,6% с промптингом против 81,4% без него. Обратите внимание на формулировку: это полнота с учётом смещения, а не ошибки с учётом смещения, и это данные производителя.

• Обработка самокоррекций — режим `smart` в Gemini устраняет самокоррекции и нормализует произнесённые числа и денежные суммы. У Mistral нет задокументированного эквивалентного режима. Если ваше аудио — это интервью или речь колл-центра, изобилующая «нет, подождите, я имел в виду», то это та самая функция, которая с наибольшей вероятностью определит выбор.

• Стриминг — У G​emini есть действующий SKU по смешанной ставке примерно $0,009/мин. Стриминговый тариф Voxtral — это другая модель, Voxtral Mini Transcribe Realtime 3, по $0,008/мин с настраиваемой задержкой от 80 до 2 400 мс. Стриминговая модель ни одного из вендоров не является флагманом по точности, поэтому сравнивать точность стриминга с приведёнными выше показателями пакетного режима — категориальная ошибка.

• Зрелость — G​emini 3.5 Transcribe доступен в статусе GA с 26 августа 2026 года и имеет независимую оценку WER на публичной площадке. Voxtral Small Transcribe 3 находится в публичном предпросмотре с 20 октября 2026 года; у него нет истории доступности, даты выхода в статус GA и опубликованных обязательств о сохранении цены предпросмотра.

Именно номер диаризации и нужно проверить.

Если в этом сравнении есть одно предложение, которое должно заставить вас обратиться к собственным аудиозаписям, то вот оно: Mistral заявляет об ошибке диаризации 18,4% против 38,4% у G​emini, а G​oogle не публикует никакой ответной цифры. Это подозрительно большой разрыв для разницы в классе точности — 2,1% против 2,6% на обычной транскрипции не предсказывают двукратного разрыва в атрибуции говорящих. Есть два объяснения, и только ваши данные позволяют их разделить. Либо диаризация G​emini действительно слабее, что соответствовало бы задокументированному потолку в восемь говорящих и пометке «экспериментально» для трёх и более говорящих, либо стенд Mistral льстит собственной модели так, что нейтральный повторный прогон этого не воспроизвёл бы.

Практический тест: возьмите сорок минут худшего многоспикерного аудио, какое у вас есть, — перекрёстные помехи, говорящий на телефонной линии, хотя бы одно место, где двое перебивают друг друга, — прогоните оба варианта и считайте переключения между говорящими, а не ошибки в словах. Это займёт полдня и разрешит спор, который ни один из поставщиков не сможет разрешить за вас.

Сколько на самом деле стоят транскрипты при масштабировании

Посчитаем на примере службы поддержки, которая записывает 4 000 часов в месяц. При $0,004/мин Voxtral Small Transcribe 3 обходится в $960. При $0,005/мин G​emini 3.5 Transcribe обходится в $1 200. Разница в $240 в месяц реальна и примерно равна стоимости одного инженерного часа за рабочий день — и именно так её и стоит оценивать: она значима на фоне альтернативы с самостоятельным хостингом, эксплуатация которой ничего вам не стоит, и не имеет значения, если режим `smart` у G​emini устраняет шаг постобработки, за который вам иначе пришлось бы платить.

Именно на этапе постобработки сравнение цен обычно и ломается. Сырая расшифровка со словами-заполнителями и неразрешёнными самопоправками требует прохода очистки — либо поддерживаемого вами слоя регулярных выражений, либо вызова LLM для каждого файла. А очищенная расшифровка от G​emini с расставленной пунктуацией и разметкой говорящих — нет. Если ваш пайплайн сейчас тратит вызов языковой модели на каждую расшифровку для исправления форматирования, учтите этот вызов в сравнении, прежде чем заключать, что Mistral на 20% дешевле.

Для команд, которым нужно и то и другое — диаризация Mistral на звонках, где важны говорящие, и очистка G​emini в массовом архиве — ограничением обычно служат ключи и поставщики, а не деньги. В каталоге моделей OrcaRouter сейчас нет ни Voxtral 3, ни G​emini 3.5 Transcribe, поэтому такое сочетание по-прежнему означает два контракта. Где мы действительно помогаем — это уровень выше: модель рассуждений, которая суммирует или маршрутизирует эти расшифровки, может предоставляться через единую конечную точку с автоматическим переключением при сбое, поэтому выбор поставщика речи не предопределяет также выбор вашей модели на последующих этапах.

Вердикт

Выбирайте Voxtral Small Transcribe 3, если ваша проблема — говорящие, а ваши языки — европейские: заявление о диаризации, 24 языка ЕС и ставка на 20% ниже указывают в одну сторону, а WER 2,1% в независимом лидерборде означает, что вы не жертвуете точностью ради этого. Выбирайте Gemini 3.5 Transcribe, если ваша проблема — сам транскрипт: самокоррекции, форматирование, большой список именованных локалей и опубликованный лимит длительности аудио, под который можно планировать мощности. Единственное, чего я бы не делал, — выбирал бы из-за разрыва в 0,5 пункта WER. Он меньше, чем разброс от запуска к запуску в любом лидерборде, и оба поставщика публикуют то число, которое им выгодно, из одного и того же семейства оценок.

Открытым остаётся вопрос: что произойдёт, когда Voxtral Small Transcribe 3 выйдет из предварительного режима. Если Mistral сохранит цену $0,004, а независимый повторный прогон диаризации подтвердит разрыв в 18 пунктов, то для всех, кто занимается аналитикой встреч и звонков, это перестанет быть вопросом с близким счётом. Если же цена изменится к моменту общего релиза, аргументы вновь сузятся до языкового покрытия и атрибуции говорящих.