Voxtral 3: Mistral sätter fyra talmodeller och ett röstagent-API på samma mätare

Det intressanta talet i Mistrals lansering den 20 oktober är inte en ordfelsfrekvens. Det är $0.04 per minut. Det är vad företaget tar för en Voxtral 3 röstagent – en end-to-end-pipeline som lyssnar på en uppringare, resonerar kring vad den sagt med Mistral Small 4, anropar verktyg och svarar tillbaka. Lägger man ihop delarna som Mistral säljer separat kostar samma minut mer: Voxtral Mini Transcribe Realtime 3 för $0.008, plus Voxtral Mini T​TS 3 för ungefär $0.02 vid normal taltakt, plus resonemangsmodellen ovanpå. Den paketerade minuten är produkten. Allt annat – Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 – säljs som en komponent du kan köpa à la carte, och som ett sätt att visa att komponenterna är tillräckligt bra för att vara värda att paketera. Röstagent-pipelines misslyckas på sätt som prislistor aldrig nämner, och de dokumenterade incidenterna är katalogiserade i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsgrad och flagga för omtvistad.

Vad är egentligen nytt, modell för modell

Det här är en uppdatering av hela familjen, inte en enda modell med en versionshöjning. Varje del har en egen uppgift och ett eget pris, och uppdelningen är viktigare än det gemensamma namnet.

• Voxtral Small Transcribe 3 — noggrannhetsnivån. $0,004 per minut, 32k kontext och Mistrals flaggskeppspåstående för transkribering med diarisering. Den utför även översättning, talbaserad fråga-svar, sammanfattning och funktionsanrop, vilket gör den till familjens enda medlem som ligger närmare en ljudspråkmodell än en transkriberare.

• Voxtral Mini Transcribe 3 — 4B parametrar, 0,0035 dollar per minut, 32k kontext. Mistral anger storleken för den här modellen men hemlighåller Small-modellens. Den asymmetrin är värd att lägga märke till: det är minimodellen som positioneras för volym och edge-drift, så dess fotavtryck är ett säljargument; flaggskeppets avslöjas inte.

• Voxtral Mini Transcribe Realtime 3 – strömning via WebSocket för 0,008 USD per minut, med latens konfigurerbar från 80 ms till 2 400 ms och detektering av tursslut som kombinerar akustiska och semantiska ledtrådar i stället för att vänta på tystnad. Dokumentationen säger "under 500 ms"; den konfigurerbara undre gränsen ligger långt under det, och noggrannhetskostnaden för att gå lågt är betydande – se avsnittet om benchmarks.

• Voxtral Speech 3 (säljs i dokumentationen som Voxtral Mini T​TS 3) — 13 USD per miljon tecken, cirka 90 ms till första ljudet, 34 känslotaggar och två tempotaggar, nio språk, zero-shot- och "professionell" röstkloning. Mistrals lanseringssida anger röstkloning vid 30+ minuters referensljud.

Under ligger röstagent-SDK:n, byggd på LiveKit och strömmande ASR, LLM och TTS som en enda pipeline. Den tar emot SIP-samtal, WebRTC-sessioner och befintliga telefon- eller IVR-trunkar, stöder barge-in och låter dig byta resonemangsmodell, röst eller språk utan att bygga om agenten. Mistral uppger en svarstid per tur på under en sekund.

Benchmark-tabellen, läs noga.

Mistral har publicerat sina egna siffror, och det är bra siffror. För FLEURS 45-makrogenomsnittlig ordfelsfrekvens hamnar Voxtral Small Transcribe 3 på 4,1 % med tvingat språk och 4,0 % med infererat språk. Voxtral Mini Transcribe 3 ligger på 4,6 % / 4,5 %. Som jämförelse i samma leverantörstabell: G​emini 3.5 Transcribe på 6,1 % / 4,5 %, Scribe v2 på 4,9 %, G​PT Transcribe på 6,3 % / 5,6 % och Whisper large-v3 på 16,0 % / 14,9 %.

Två saker i den tabellen förtjänar en andra titt. För det första ligger Microsofts MAI-Transcribe-2 på 4,1 % / 4,0 % – identiskt med Voxtral Small Transcribe 3, ända ned till decimalen. En leverantörstabell där flaggskeppet ligger exakt lika med sin närmaste konkurrent är antingen ett ärligt delat resultat eller ett avrundat sådant; Mistral säger inte vilket. För det andra är Whisper-siffran inte det tal som någon annan anger för Whisper. Whisper large-v3 får 7,44 i genomsnittlig WER på Open ASR Leaderboard, och Turbo-varianten 4,6 % på Artificial Analysiss oberoende resultattavla. Sexton procent är hur Whisper ser ut specifikt på svår flerspråkig FLEURS-ljud, inte hur det ser ut i engelsk produktionsmiljö. Att använda den hårdaste tillgängliga delmängden för en konkurrent är ett normalt marknadsföringsgrepp, men det är ett marknadsföringsgrepp.

Den oberoende resultattavlan visar en jämnare bild. Artificial Analysis har Voxtral Small Transcribe 3 på 2,1 % AA-WER och Voxtral Mini Transcribe 3 på 2,2 % – etta och tvåa på resultattavlan för icke-strömmande modeller vid tidpunkten för detta, med MAI-Transcribe-2 på 2,0 % på platsen ovanför dem beroende på när tavlan läses. De ligger så nära varandra att ordningen kommer att ändras vid omkörningar. Den som utropar en vinnare utifrån en marginal på 0,1 punkt citerar bara brus.

Där realtidsnivån ger noggrannheten tillbaka

Streaming-siffrorna är det mest användbara som Mistral har publicerat, eftersom de är de minst smickrande. På FLEURS 35 är baslinjen för offline-Voxtral Mini Transcribe 3 4,0 % WER. Realtidsmodellen försämras monotont i takt med att man ber den svara tidigare:

• 2 400 ms latens — 5,7 % WER

• 960 ms — 6,0 %

• 480 ms — 6,4 %

• 240 ms — 7,4 %

Mot det listar Mistral G​emini 3.5 Realtime Transcribe på 4,2 %, Microsofts streamingnivå på 5,8 %, G​PT Live Transcribe på 8,4 % och Scribe v2 Realtime på 8,7 %. Så den ärliga tolkningen är: vid en bekväm fördröjning på 2,4 sekunder är Voxtrals realtidsnivå konkurrenskraftig mot Microsoft och slår O​penAI:s och ElevenLabs strömmande modeller, men den slår inte G​oogle's, och vid 240 ms är den sämre än allt utom de två modellerna som ligger sist. Rubriken om under 500 ms är sann; den kostar bara ungefär tre procentenheter i noggrannhet jämfört med att köra samma ljud offline.

Diarisering är där modellfamiljen ser starkast ut och där leverantörstabellen gör störst nytta. På sammanfogad WER med minimal permutation rapporterar Mistral 18,4 % för Voxtral Small Transcribe 3, 18,6 % för Mini, 19,0 % för Pyannote Orchestrator Precision 3, 20,3 % för MAI-Transcribe-2 och 38,4 % för G​emini 3.5 Transcribe. Ett gap på 20 procentenheter jämfört med G​emini när det gäller talarattribuering är den typ av siffra som avgör en produkt — mötestranskribering, samtals-QA — men det är en leverantörs testramverk mot en annan leverantörs modell, och ingen tredje part har återkört det.

Vad priset ger, i timmar

Fakturering per minut är lätt att jämföra och lätt att få fel när alternativet är per token. Omräknat till tusen ljudtimmar, vilket ungefär motsvarar en månad för ett medelstort kontaktcenter:

• Voxtral Mini Transcribe 3 — 210 $ per 1 000 timmar till 0,0035 $/min

• Voxtral Small Transcribe 3 — 240 USD per 1 000 timmar till 0,004 USD/min

• Voxtral Mini Transcribe Realtime 3 — 480 USD per 1 000 timmar till 0,008 USD/min

• Röstagent-API med Mistral Small 4-resonemang — 2 400 USD per 1 000 timmars konversation till 0,04 USD/min

Agentnivån kostar fem till elva gånger så mycket som transkriptionsnivån, vilket är rätt storleksordning när man väl kommer ihåg att den inkluderar resonemangsmodellen och talsyntesen. Det är också där marginalen finns, och Mistrals positionering – identitetsverifiering, fakturakontroll, mötesbokning – är vald för samtal där en slutförd uppgift är värd mer än en minuts beräkningskraft.

En strukturell varning för hela prislistan: varje modell här är i offentlig förhandsversion, inte GA, och förhandspriser för tal har historiskt sett ändrats. Det finns inget publicerat åtagande att $0.0035 förblir $0.0035.

Vad Mistral inte släppte

Inga vikter. Lanseringssidan säger att Voxtral 3 är tillgänglig via Mistrals API med EU-, USA- och globala endpoints, och "för självdistribution på din egen infrastruktur" – men den publicerar ingen licens, inga parametrantal för tre av de fyra modellerna och inget Hugging Face-repository. Som jämförelse var Mistrals tidigare talmodellsläpp nedladdningsbara: Voxtral Small 24B 2507 är Apache 2.0 på Hugging Face, Voxtral 4B T​TS 2603 är CC-BY-NC-4.0, och Voxtral Mini 4B Realtime Arabic lades upp den 8 oktober utan att någon licens angavs alls. Det här släppet är den första Voxtral-generationen utan någon nedladdningsbar variant. Självdistribution här tolkas som ett företagsavtal, inte en nedladdning.

Det som också saknas: en maximal ljudlängd, en kontextsiffra för TTS- eller agentnivåerna och någon uppgift om lagringstid eller datalokalisering utöver slutpunktsregionerna. Om du utvärderar detta för reglerad samtalsinspelning är det dessa tre luckor som du bör täppa till i ett upphandlingssamtal snarare än utifrån lanseringsinlägget.

Hur du faktiskt provar det

Voxtral 3 finns inte i OrcaRouters katalog i dag, så vägen till att utvärdera det är Mistrals egna API- och Studio-lekplatser, som täcker transkribering, talgenerering, röstkloning och agentpipelinen. Där en router verkligen hjälper till är i den andra halvan av beslutet: du vill nästan aldrig ha en enda talstack, och att sätta resonemangsmodellen som hanterar din agents verktygsanrop bakom en enda endpoint gör att du kan jämföra Mistral Small 4 mot ett dussin andra modeller på samma transkript utan att bygga om pipelinen. OrcaRouter för vidare leverantörernas listpriser utan påslag på 0 % och växlar automatiskt över mellan leverantörer vid fel, vilket spelar störst roll just i den här situationen — en modell på förhandsvisningsnivå utan någon drifthistorik framför sig.

Den praktiska utvärderingsordningen, om du gör det här den här veckan: kör din egen sämsta ljudinspelning genom Voxtral Small Transcribe 3 och MAI-Transcribe-2 på samma 200 filer, eftersom de två leverantörerna anger samma FLEURS-poäng och bara ditt ljud kan avgöra saken. Kör sedan realtidsnivån vid 960 ms och vid 2 400 ms och räkna hur ofta tursslutdetektorn avbryter en uppringare mitt i en mening – det felvelet kostar mer i en liveagent än någon WER-skillnad i den här familjen. Prissätta sedan agentminuten mot din containment-grad, inte mot din transkriptionsräkning.

Vad du ska titta på

Tre saker avgör om den här lanseringen åldras väl. Oberoende omkörningar av diariseringspåståendet, som är den enda siffran i lanseringen som verkligen skulle förändra ett köpbeslut. Om modellvikterna släpps, eftersom en nedladdningsbar Voxtral omedelbart skulle bli standardvalet bland öppna alternativ för diarisering på europeiska språk och skulle undergräva hela prisargumentet ovan. Och om agentlatensen under en sekund håller i verklig telefoni i stället för i en demo av ett franskt remissbrev – avbrytningar och detektering av tursslut är där röstagenter vanligtvis misslyckas, och ingendera håller som bevis bara för att den nämns i ett leverantörsblogginlägg.