Voxtral 3 TTS vs Voxtral 4B TTS: Den nyare modellen du inte kan ladda ner

Det obekväma faktumet med Voxtral 3 T​TS är att den är bättre än Voxtral 4B T​TS på nästan varje sätt som kan mätas och sämre på det enda sätt som avgör vissa driftsättningar: man kan inte få den. Mistral släppte Voxtral 4B T​TS den 23 mars 2026 som öppna vikter — mistralai/Voxtral-4B-T​TS-2603 på Hugging Face, CC BY-NC 4.0, nedladdningsbar och körbar på dina egna acceleratorer. Voxtral 3 T​TS kom den 20 oktober 2026 som enbart en API-produkt. Lanseringssidan beskriver EU-, USA- och globala slutpunkter, Studio-lekplatser och egen driftsättning i privat infrastruktur, och säger aldrig en enda gång att vikterna finns tillgängliga. Så efterträdaren som kom sju månader senare är 127 Elo bättre på blindlyssningstabellen (1 217 mot 1 090), 19 % billigare till 13 USD mot 16 USD per miljon tecken och cirka 42 % snabbare vid 112 mot 79 tecken per sekund — och den är fortfarande inte en direkt ersättare för modellen den ersätter, eftersom den äldre är den enda medlemmen i den här familjen som ett företag faktiskt kan äga. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som den här samlas i the OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, konfidensgrad och markering för omstridd status.

Två modeller, sju månader, en licensgräns

Den gränsen är värd att formulera exakt innan någon benchmark genomförs, eftersom den ändrar ordningen i hela jämförelsen.

• Voxtral 4B T​TS — öppna vikter under CC BY-NC 4.0. Icke-kommersiellt. Du får ladda ner det, granska det, köra det och finjustera det; du får inte leverera det som en del av en betald produkt. Begränsningen ärvs från referensröstdatauppsättningarna bakom det, inte från någon teknisk begränsning hos checkpointen. Att självhosta det för intern utvärdering är okej; att självhosta det i en kundvänd kommersiell tjänst är det inte.

• Voxtral 3 T​TS — stängd. Inga vikter publicerade per den 21 oktober 2026. "Self-deployment on private infrastructure or a private cloud" på Mistrals sida är ett företagserbjudande om driftsättning som förhandlas fram med leverantören, inte en nedladdningslänk, och att sammanblanda de två är det lättaste misstaget att göra när man läser den sidan snabbt.

Den praktiska konsekvensen: om ditt skäl att vilja ha Voxtral 4B T​TS var att ljudet aldrig lämnar ditt nätverk, ersätter Voxtral 3 T​TS det inte om du inte ingår något avtal med Mistral. Om ditt skäl var att det var billigare än ett hostat API, ersätter Voxtral 3 T​TS det prismässigt och slår det kvalitetsmässigt, och licensfrågan försvinner eftersom du köper en tjänst i stället för en fil. Samma sju månaders lucka får olika utfall beroende på vilken av de två meningarna som beskriver din situation.

Resultattavlan

• Leverantörens Voice Elo — Voxtral 3 TTS: 1 217 (nr 13 av 98), 95 % intervall 1 202–1 232. Voxtral 4B TTS: 1 090 (nr 46), intervall 1 078–1 102. Båda enligt Artificial Analysis, avlästa 21 oktober 2026.

• Pris per 1 miljon tecken – 13,00 USD jämfört med 16,00 USD. Vid ungefär 900 tecken per talad minut, 0,70 USD mot 0,86 USD per timme.

• Genomströmning – median på 112 tecken per sekund jämfört med 79, mätt av Artificial Analysis på varje modells ursprungliga värd.

• Språk — Voxtral 3 T​TS: 35+ språk och 50+ dialekter, förinställningar i 18. Voxtral 4B T​TS: 9 språk — engelska, franska, tyska, spanska, nederländska, portugisiska, italienska, hindi, arabiska, med dialektstöd.

• Röstanpassning – Voxtral 3 T​TS: "Pro Voice", 30 minuters ljud. Voxtral 4B T​TS: en referensprompt på 5–25 sekunder, som i modellkortet beskrivs som så kort som 3 sekunder.

• Vikter — slutna kontra öppna (CC BY-NC 4.0).

Språklinjen är den största förändringen som ingen har skrivit om. Voxtral 4B TTS täcker nio språk; den nya modellen uppges klara 35+ språk och 50+ dialekter. Det är en fyrdubbling av produkten, och det är ett starkare argument för uppgraderingen än Elo är — 127 poäng flyttar dig från mitten av brädan till mitten av brädan, men att gå från nio språk till trettiofem förändrar vilka marknader du kan sälja in på.

Röstadaptionslinjen går åt andra hållet och är den enda verkliga regressionen. Voxtral 4B T​TS klonar från ett kort referensklipp – enligt modellkortet så lite som tre sekunder, medan arkitekturen anger ett promptfönster på 5–25 sekunder. Pro Voice i Voxtral 3 T​TS kräver trettio minuter ljud för att återge en talares karaktär, känslomässiga spann och stil över språk. Trettio minuter är en studiosession. Tre sekunder är en funktion. Om din produkt låter en användare höra sin egen röst är den nyare modellen sämre på uppgiften.

Vad 4B egentligen är, under huven

Parameterantalet i den gamla modellens namn beskriver en verklig arkitektur, och det förklarar både dess styrkor och varför efterföljaren inte helt enkelt är en större version av den.

Voxtral 4B TTS är ungefär fyra miljarder parametrar i tre delar: en 3,4B transformer-decoderstomme byggd på Ministral 3B, en 390M flödesmatchande akustisk transformer och en 300M neural ljudkodek. Den är autoregressiv över en semantisk VQ-kodek med en vokabulär på 8 192 token, som matar ett flödesmatchningshuvud som förutsäger akustiska FSQ-särdrag över 36 dimensioner på 21 nivåer, med en frekvens på 12,5 Hz. Enkelt uttryckt: en liten språkmodell läser texten och planerar, ett flödesmatchningsnätverk omvandlar planen till ljudsärdrag och en kodek omvandlar särdrag till samplingar. Den genererar upp till två minuter inbyggt, med längre utdata hanterat genom sammanflätning i API:et.

Mistrals publicerade siffra för marsmodellen var 70 millisekunder modelllatens för ett 10 sekunder långt röstprov och 500 tecken, vid en realtidsfaktor på cirka 9,7x. Siffrorna mättes i Mistrals stack för modellservering, inte av en oberoende part, och de beskriver en modell som var genuint snabb för sin generation. Oktobermodellens genomströmning hos Artificial Analysis, 112 tecken per sekund mot 79, tyder på att efterföljaren är ännu snabbare – men Mistral publicerar överhuvudtaget ingen tid till första ljud för Voxtral 3 T​TS, vilket är ett märkligt utelämnande för ett företag vars tidigare T​TS-modell ledde med en latenssiffra.

Två generationer av arkitektur syns också i språkantalet. Nio språk i mars, trettiofem plus i oktober, med familjens transkriberingsmodeller som gör anspråk på alla 24 officiella EU-språk. Vad som än förändrades mellan de två kontrollpunkterna förändrade träningsdata och tokenizerns täckning mycket mer än det förändrade den akustiska stacken.

Vem bör behålla 4B, och vem bör flytta?

Behåll Voxtral 4B T​TS om något av följande stämmer. Du behöver att ljudet bearbetas på hårdvara som du kontrollerar och kan inte förhandla fram en privat driftsättning. Du bedriver forskning eller utvärdering, där CC BY-NC 4.0 tillåter användning och licensen inte kostar något. Du behöver röstkloning med korta referenser – tre sekunder mot trettio minuter är inget svårt val. Du arbetar på ett av de nio språk som det täcker och kvaliteten är tillräcklig, och i så fall är en gratis checkpoint som du redan kör värd mer än en bättre som du måste anropa.

Byt till Voxtral 3 T​TS om något av följande stämmer. Du säljer utdata och fick därför aldrig självhosta 4B kommersiellt ändå – i så fall använde du redan API:et för $0.016 per tusen tecken, och de nya $13 per miljon är 19 % billigare för en modell som är 127 Elo bättre, vilket är den enklaste uppgraderingen i den här artikeln. Du behöver ett språk utanför de ursprungliga nio. Du behöver agentstacken: Voxtral 3 T​TS levereras med ett LiveKit-baserat röstagent-SDK, stöd för SIP och WebRTC, agentvändor under en sekund och ett paketpris per minut på $0.04 med Mistral Small 4-resonemang, inget av vilket fanns kring marsmodellen.

Det finns en tredje grupp som bör köra båda, och den är större än den verkar: team som prototypar på den öppna checkpointen och servar via API:et. Voxtral 4B T​TS ger dig en lokal modell att testa prompter, röster och fellägen mot, utan kostnad per anrop och utan att data lämnar byggnaden; Voxtral 3 T​TS ger dig produktionsslutpunkten med språktäckningen och licensen att sälja. De två delar ett familjearv men inte en API-yta, så räkna med att prompterna behöver justeras om – ett kvalitetsgap på 127 punkter är en annan modell, inte en versionshöjning, och riktningskontroller som betedde sig på ett sätt på 4B kommer inte nödvändigtvis att överföras.

Om produktionsvägen behöver överleva ett leverantörsavbrott är det argumentet för att lägga syntesanropet bakom en router i stället för att anropa Mistral direkt. OrcaRouter ger en OpenAI-kompatibel slutpunkt för 200+ modeller med leverantörens listpris vidarebefordrat med 0 % påslag, så ett avbrott i en syntesbackend växlar över i stället för att tystna – och en röstpipeline som renderar nattliga batcher är precis den arbetsbelastning där en död slutpunkt kostar en natt i stället för en förfrågan. Mistrals modeller är nåbara via Mistrals eget API och flera tredjepartsplattformar; kontrollera katalogen för aktuell tillgänglighet innan du designar kring ett specifikt modell-ID.

Frågan som Mistral inte har besvarat

Kommer Voxtral 3 TTS att få öppna vikter? Marsmodellen fick det, under en icke-kommersiell licens, och den blev referenspunkten för hur en öppen TTS-checkpoint från ett europeiskt labb ser ut. Inget i oktoberlanseringen upprepar det. Sidan är tydlig om API-åtkomst och privat driftsättning och tyst om nedladdningar, vilket är samma mönster som Mistral använde för flera av sina textmodeller innan de släppte vikter månader senare.

Om modellvikterna väl släpps förändras jämförelsen helt: licensvillkoren avgör om den öppna modellen är kommersiellt användbar, och prejudikatet – CC BY-NC 4.0 – tyder på att den inte kommer att vara det. Det skulle lämna situationen ungefär som den är nu, med den nedladdningsbara modellen som en forskningsartefakt och den användbara modellen som en tjänst.

Den andra obesvarade frågan är om 4B kommer att behålla sin API-listning. Mistrals pristabell för tal listar den nya familjen och nämner inte marsmodellen, medan Artificial Analysis fortfarande spårar den till $16 med en aktiv värd. Historiskt har Mistral hållit äldre talmodeller anropbara under en lång svans; om det håller har team en genuint användbar reservlösning — en något sämre, något dyrare modell som ändå är en annan driftsättning. Om inte måste alla som byggde på voxtral-mini-tts-latest i mars kontrollera vilken modell det aliaset nu pekar på innan deras nästa faktura.

Kortversionen: Voxtral 3 TTS är den bättre modellen och den sämre tillgången. Köp den för språk, kvalitet och agentstacken; behåll Voxtral 4B TTS för lokalt arbete, kloning med korta referenser och de nio språk den redan klarar bra. Den enda migreringen som är entydigt rätt är från 4B:s hostade API till det nya — samma leverantör, samma licenshållning, billigare och bättre — och det är det enda draget i den här jämförelsen som inte kostar något att göra.