Mistrals Voxtral 3 landar en transkriberingsmodell på tredje plats och en röst för 13 dollar

Siffran att inleda med är 2,1 %. Det är ordfelsfrekvensen som Artificial Analysis uppmätte för Voxtral Small Transcribe 3, vilket ger Mistrals nya igenkänningsmodell en tredjeplats på den oberoende tal-till-text-listan per den 21 oktober 2026 – bakom bara A​libabas Fun-Realtime-ASR-preview på 1,7 % och Microsofts MAI-Transcribe-2 på 2,0 %, och före ElevenLabs Scribe v2 på 2,2 %. Samma lansering den 20 oktober innehöll också Voxtral 3 T​TS, en syntesmodell prissatt till 13 dollar per miljon tecken som hamnar på trettonde plats i Provider Voice arena och på fjortonde plats i Controlled Voice arena. Ett av dessa resultat är ett genuint kliv uppåt i tabellen. Det andra är en kompetent mittfältspost med en aggressiv prislapp, och gapet mellan hur de två annonserades och hur de faktiskt presterade är det mest användbara med lanseringen. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstritt.

Allt nedan skiljer mellan tre typer av påståenden: siffror från Artificial Analysiss resultattavlor för blindlyssning och transkription (oberoende), siffror från Mistrals egen lanseringssida (leverantörsrapporterade) och aritmetik som gjorts här utifrån publicerade priser. De är inte utbytbara, och lanseringssidan presenterar dem på ett sätt som gör dem lätta att sammanblanda.

Transkriberingsresultatet är det som faktiskt flyttar upp Mistral på listan.

Voxtral Small Transcribe 3 är flaggskeppet i familjen med fyra modeller, och det är den enda delen av lanseringen med ett oberoende resultat som slår de etablerade aktörerna rakt av. Med 2,1 % WER ligger den 0,1 punkter efter Microsofts MAI-Transcribe-2 och 0,1 före Scribe v2 – marginaler som väl ryms inom bruset för en enda utvärderingsuppsättning, men tillräckligt för att placera Mistral i diskussionen om toppen av tabellen i stället för i det jagande fältet.

Hastighetssiffran är den mer överraskande halvan. Artificial Analysis mäter en medianhastighetsfaktor på 66,6 för Voxtral Small Transcribe 3, mot 20,3 för den högst rankade Fun-Realtime-ASR-preview och 308,8 för MAI-Transcribe-2. I klartext transkriberar Mistrals modell ungefär 67 minuter ljud per minut beräkningstid – fyra gånger långsammare än Microsofts och tre gånger snabbare än Alibabas. Billig, noggrann och måttligt långsam är en alldeles utmärkt profil för batchtranskribering; det är en dålig profil för allt interaktivt, vilket är anledningen till att Mistral säljer en separat realtidsmodell.

Familjen, i det skick den levererades den 20 oktober:

• Voxtral Small Transcribe 3 – 50+ språk, diarisering, kontextuell biasning, 0,004 USD per minut (4,00 USD per 1 000 minuter). Valet för högst noggrannhet.

• Voxtral Mini Transcribe 3 — 4B parametrar, 50+ språk, 0,0035 USD per minut. Uppnår 2,2 % WER på samma resultattavla — statistiskt i nivå med Small-modellen till 12,5 % lägre kostnad, vilket gör det svårt att motivera Small-nivåns pristillägg enbart utifrån noggrannhet.

• Voxtral Mini Transcribe Realtime 3 — strömmande, hävdad latens under 500 ms, $0,008 per minut. Mistrals egen sida anger både "35+ språk" och "40+ språk" för den här modellen på två olika ställen; ingen utanför har testat vilket som stämmer.

• Voxtral 3 TTS — batch- och realtidssyntes för 13 USD per miljon tecken, 35+ språk och 50+ dialekter. Modellen som Mistrals pristabell kallar "Voxtral Speech 3" och som dess dokumentation listar som voxtral-mini-tts-3-0.

På Mistrals egen FLEURS 45-utvärdering rapporterar Voxtral Small Transcribe 3 4,1 % WER med påtvingat språk och 4,0 % med infererat språk. Det är ett annat benchmark än det som Artificial Analysis kör, vilket är anledningen till att leverantörens sida visar 4 % och den oberoende resultattavlan visar 2,1 %. Inget av siffrorna är fel; att citera dem i samma mening utan att säga vilket som är vilket är hur lanseringsrapportering går fel. Mistral hävdar också den lägsta diariseringsfelkvoten i sin jämförelseuppsättning vid 18,4 % cpWER och 94,6 % keyphrase recall med context biasing, upp från 81,4 % utan – leverantörsrapporterat, inte reproducerat.

Röstmodellen ligger i mitten av fältet, och priset får stå för argumentationen.

Mistrals inlägg i sociala medier framställer lanseringen av T​TS som att den tar sig in bland de tolv bästa i båda text-till-tal-arenorna. Live-resultattavlorna den 21 oktober berättar en något mjukare historia: Voxtral 3 T​TS ligger på #13 i Provider Voice med 1 217 Elo (95-procentigt intervall 1 202–1 232, ett delat spann som omfattar placeringarna 11 till 17) och #14 i Controlled Voice med 1 066 Elo (ett delat spann som omfattar 10 till 19). Med andra ord ligger den bland de femton bästa i båda – och konfidensintervallen överlappar de för fem andra modeller, så den exakta placeringen är inte ett stabilt faktum. Detta är modellens andra dag på listan, och antalet jämförelser, 1 619, ligger väl under de 3 000+ som ledarna har samlat på sig.

Det stabila är grannskapet. Vid 1 217 Elo ligger Voxtral 3 T​TS på samma nivå som Realtime T​TS-2 Flash och StepAudio 2.5 T​TS, före ElevenLabs Eleven v3 på 1 182, och efter Cartesia Sonic 3.6 på 1 289, Q​wen-Audio-3.1-T​TS-Plus på 1 299 och ElevenLabs Eleven v4 på 1 328.

Två saker om den placeringen är värda att säga rakt ut. För det första är Voxtral 3 T​TS en tydlig förbättring från generation till generation för Mistral: Voxtral T​TS från mars 2026 fick 1 090 på samma lista, så detta är ett hopp på 127 poäng. För det andra slöt hoppet inte gapet till frontlinjen. Mistrals tidigare modell låg långt efter; den nya ligger mitt i fältet.

Vad $13 per miljon tecken faktiskt köper

Priset är där det här släppet blir intressant, och där en rak läsning av pressmeddelandet kommer att vilseleda dig. På 13 dollar per miljon tecken kostar Voxtral 3 TTS cirka 0,70 dollar per timme genererat tal, förutsatt ungefär 900 tecken per talad minut. Cartesia Sonic 3.6 ligger på 2,65 dollar i timmen vid 49, ElevenLabs Eleven v4 ligger på 4,32 vid 80, och Qwen-Audio-3.0-TTS-Plus ligger på 1,04 vid 19,31. Jämfört med premiumnivån är besparingen verklig och stor.

Mot value-nivån är det ingen knockout. Simba 3.2 ligger på #10 med 1 245 Elo – 28 poäng över Voxtral 3 T​TS – till $6,6 per miljon tecken, halva priset. Realtime T​TS-2 Flash får samma 1 217 Elo till $10,4. Gemini 3.8 Flash-Lite T​TS får 1 250 Elo till $11. Med ett grovt Elo-per-dollar-förhållande, som behandlar Elo som linjärt när det inte är det och bör läsas som en grov sortering snarare än en mätning, hamnar Voxtral 3 T​TS på cirka 94 poäng per dollar mot 189 för Simba 3.2 och 118 för Realtime T​TS-2 Flash.

Den ärliga sammanfattningen är att Mistral prissatte modellen för att vara försvarbar snarare än disruptiv. Den ligger under varje modell som slår den med mer än 50 Elo, och den förlorar i värde mot minst tre modeller som slår den i kvalitet. Det är en normal lansering, inte en omprissättningshändelse.

Det som spelar roll med routing här är att hålla jämförelsen levande i stället för i ett kalkylblad. OrcaRouter kör ett API för 200+ modeller och för vidare leverantörernas listpris med 0 % påslag, så när en leverantör som Mistral ändrar en taxa följer siffran din kod ser med, och att byta syntesendpointen bakom en röstpipeline är en konfigurationsändring i stället för ett andra avtal. Huruvida Voxtral 3 T​TS hör hemma i den pipeline är en separat fråga från huruvida den är den bästa modellen på plan – och på plan, i dag, är den det inte.

Den del av releasen som inte är en modell

Det mest betydelsefulla som Mistral lanserade den 20 oktober är kanske inte någon av de två poängsatta modellerna. Familjen levereras med ett röstagent-SDK byggt på LiveKit, med stöd för SIP-telefoni, WebRTC, IVR och kontaktcenterintegrationer, och med enligt uppgift ett fullständigt agentvarv på under en sekund samt barge-in-hantering. Mistral prissätter hela agentloopen – tal in, resonemang, tal ut – till $0.04 per minut när resonemangsmodellen är Mistral Small 4, eller $0.08 per minut med en annan resonemangsmodell.

Det där per minut-paketet är en annan enhet än en TTS-taxa per tecken, och att jämföra de två direkt är ett vanligt misstag. En röstagent som pratar i 30 sekunder av ett enminutssamtal förbrukar ungefär 4 500 tecken syntes, vilket vid $13 per miljon blir under sex cent — så $0,04-paketet är konkurrenskraftigt jämfört med att sätta ihop delarna själv, förutsatt att man ändå ville ha Mistrals resonemangsmodell. Paketet är också där redundansargumentet gör nytta i produktion: en röstagent med en död syntesendpoint är en tyst telefonlinje, och resonemangsbenet i den pipelines är precis den sorts sak som en router med automatisk redundansväxling är till för.

Det Mistral inte levererade är öppna vikter. Sidan för Voxtral 3 beskriver API-åtkomst, Studio-playgrounds och självdistribution på privat infrastruktur, men anger aldrig att vikterna går att ladda ner. Marsversionen av Voxtral T​TS släpptes på Hugging Face under CC BY-NC 4.0; inget i den här utgåvan upprepar det. Om självhosting är ett krav svarar den här generationen inte på det för närvarande.

Tre saker som ingen har mätt ännu

Avsaknaden av en publicerad latenssiffra för Voxtral 3 TTS är den tydligaste luckan i lanseringsmaterialet. Mistral anger under 500 ms för realtidstranskribering och under en sekund för en hel agenttur, men ingen tid till första ljud för syntes, vilket är siffran som avgör om en röstagent känns konversationell. Artificial Analysis rapporterar en median genereringstid på 7,2 sekunder och en median genomströmning på 112 tecken per sekund, vilka båda beskriver batchrendering snarare än streamingbeteende. En median på 112 tecken per sekund är respektabel — snabbare än ElevenLabs Eleven v3:s 56 och långsammare än Sonic 3.6:s 145 — men den säger ingenting om de första 200 millisekunderna.

Röstkloning är det andra gapet. Mistrals anpassning ”Pro Voice” återskapar en talares karaktär och känslomässiga register från 30 minuters ljud. Det är en process av studiokvalitet, inte den tio sekunders direktklon som Cartesia marknadsför eller den trettio sekunders klon som ElevenLabs erbjuder, och den positionerar Voxtral 3 T​TS för varumärkesröster snarare än för användargenererat karaktärsarbete.

Det tredje är uthållighet. Mistrals egna material anger inte någon maximal genereringslängd för TTS-slutpunkten, och arena-exemplen är korta klipp. Långformig berättarröst är där en Elo-modell i mitten av fältet fortfarande kan vara rätt svar om den håller samman över tio minuter, och ingen har publicerat det testet.

Den rimliga tolkningen av den 20 oktober är att Mistral släppte en riktig konkurrent inom transkribering och en TTS-modell som är tillräckligt bra för att platsa på shortlistan och tillräckligt billig för att provas. Transkriberingstavlan är där företaget förtjänade en rubrik. Syntestavlan är där det köpte en.