Voxtral 3 vs Gemini 3.5 Transcribe: Mistral säger sig vinna orden – Google vinner resten

På det enda mått som båda leverantörerna är överens om att publicera ligger dessa två hårfint åtskilda. Voxtral Small Transcribe 3 — Mistrals flaggskeppstranskriberare från Voxtral 3 familjen som släpptes den 20 oktober 2026 — ligger på 2,1 % ordfelsfrekvens på Artificial Analysiss icke-strömmande resultattavla. G​emini 3.5 Transcribe, som G​oogle har kört som en allmänt tillgänglig modell sedan 26 augusti 2026, ligger på 2,6 % på samma resultattavla. Fem tiondelar av en punkt är ungefär fem extra fel per tusen ord. Det är inte anledningen att välja en. Anledningarna är allt ovanför orden: G​emini gör diarisering för åtta talare, tar emot tusen anpassade vokabulärtermer, rensar bort talspråksavvikelser och löser självkorrigeringar i en enda genomgång och omfattar 85+ språkvarianter. Voxtral gör diarisering mätbart bättre enligt sin egen tabell, täcker 50+ språk och ligger under G​oogles minutpris. Den här sidan handlar om vilka av dessa skillnader som faktiskt når din pipeline. Ordfelsfrekvenser registrerar inte hur någon av leverantörernas transkriptions-API:er misslyckas under belastning, och dessa incidenter katalogiseras i OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, konfidensgrad och en flagga för omtvistade uppgifter.

Vad var och en säljer

Mistrals inramning för Voxtral Small Transcribe 3 är noggrannhet plus talarattribuering. Det är familjens "flaggskeppsmodell för transkription och diarisering", den hanterar tidsstämplar och diarisering inbyggt, och den gör även översättning, tal-Q&A, sammanfattning och funktionsanrop – vilket är ett diskret sätt att säga att det är en ljudspråkmodell som transkriberar snarare än en transkriberare. Till $0,004 per minut med 32k kontext är den prissatt som ett direkt substitut för de hanterade transkriptions-API:erna.

Googles ramverk för Gemini 3.5 Transcribe handlar om vad som händer med transkriptionen efter igenkänningen. Standardläget `verbatim` behåller utfyllnadsord, falska starter och upprepningar; läget `smart` tar bort dem och tillämpar strukturerad formatering; en anpassad vokabulär gör att resultatet lutar mot din jargong; tidsstämplar på ordnivå returneras som annoteringar; och talaretiketter kommer som `spk_1`, `spk_2` och så vidare. Det körs via Interactions API för filer och en separat SKU, `gemini-3.5-transcribe-live`, för strömning, och det har en gratisnivå som Mistral inte erbjuder.

Kort sagt: Mistral säljer ett bättre öra till dig, Google säljer en bättre redigerare till dig.

Dimension för dimension

• Oberoende noggrannhet — Voxtral Small Transcribe 3 på 2,1 % AA-WER jämfört med Gemini 3.5 Transcribe på 2,6 %, båda på Artificial Analysis icke-strömmande leaderboard. Mistrals egen FLEURS-tabell visar en större skillnad: 4,1 % med påtvingat språk för Voxtral jämfört med 6,1 % för Gemini, men bara 4,0 % mot 4,5 % med infererat språk. Den oberoende topplistan stämmer överens med tolkningen med infererat språk, så betrakta siffran 6,1 % som den lösa tråden i Mistrals tabell snarare än huvudrubriken.

• Pris — 0,004 USD/min mot 0,005 USD/min, båda är blandade listpriser. Det är 240 USD mot 300 USD per tusen ljudtimmar. Reellt, men inte avgörande i sig; en skillnad på 20 % raderas av en enda omkörning av en dålig batch.

• Talarattribution — Voxtral Small Transcribe 3 vid 18,4 % sammanlänkad min-permutation-WER i Mistrals testramverk, jämfört med Gemini 3.5 Transcribe vid 38,4 % i samma leverantörstabell. Detta är den största skillnaden i lanseringsinlägget och den som sannolikt spelar störst roll. Var ärlig med förbehållet: båda siffrorna är Mistrals, körda i Mistrals testramverk, och Google har inte publicerat någon motsvarande diariseringspoäng att jämföra med. Googles dokumentation avslöjar dock ett hårt tak som inte är ett benchmark – åtta talare, med attributionen "experimental" för tre eller fler – vilket för mötestranskribering är en produktbegränsning, inte en kvalitetsfråga.

• Språktäckning – Voxtral: 50+ språk, inklusive alla 24 officiella EU-språk och en uppsättning asiatiska och indiska lågresursspråk. Gemini: 85+ språkvarianter med BCP-47-tips och kodväxling inom meningar. Googles lista är längre och, ännu viktigare, namngiven – du kan kontrollera om din språkvariant finns med på den. Mistrals "50+" är en siffra utan en lista.

• Ljudgränser — G​emini begränsar unary-ljud till en timme, eller trettio minuter när du begär diarisering eller tidsstämplar per ord. Mistral publicerar inte någon maximal ljudlängd alls för Voxtral Small Transcribe 3. Den tystnaden är inte en funktion. Om du bearbetar långa filer är G​emini den enda av de två som du kan dimensionera en jobbkö mot utan att fråga säljteamet.

• Vokabulärkontroll — Gemini accepterar upp till 1 000 anpassade termer (bäst resultat upp till cirka 100) och varnar uttryckligen för att anpassat ordförråd inte kan kombineras med diarisering eller ordtidsstämplar. Voxtrals kontextbiasering tar nyckeltermer och fritext, och Mistral rapporterar en nyckelfrasåterkallelse på 94,6 % med prompting jämfört med 81,4 % utan. Notera formen på det påståendet: det är återkallelse med bias, inte fel med bias, och det är leverantörsrapporterat.

• Hantering av självkorrigeringar — G​eminis `smart`-läge löser självkorrigeringar och normaliserar talade siffror och valutor. Mistral erbjuder inget motsvarande dokumenterat läge. Om din ljudfil består av intervjuer eller callcenter-samtal fulla av "nej vänta, jag menade" är detta den enskilda funktion som mest sannolikt avgör valet.

• Streaming — G​emini har en aktiv SKU till cirka 0,009 USD/min i blandad kostnad. Voxtrals streamingnivå är en annan modell, Voxtral Mini Transcribe Realtime 3, till 0,008 USD/min med latens som kan konfigureras från 80 till 2 400 ms. Ingen av leverantörernas streamingmodeller är flaggskeppet för noggrannhet, så att jämföra streamingnoggrannhet med batchsiffrorna ovan är ett kategorifel.

• Mognadsgrad — G​emini 3.5 Transcribe har varit allmänt tillgänglig sedan 26 augusti 2026 och har ett oberoende WER-resultat på en offentlig resultattavla. Voxtral Small Transcribe 3 är i offentlig förhandsversion sedan 20 oktober 2026, utan drifthistorik, utan GA-datum och utan något offentliggjort åtagande om att förhandsversionspriset håller.

Diariseringsnumret är det som ska testas.

Om det finns en enda mening i den här jämförelsen som borde få dig att lyssna på ditt eget ljud, är det denna: Mistral hävdar 18,4 % diariseringsfel mot Geminis 38,4 %, och Google publicerar ingen motssiffra. Det är en misstänkt stor skillnad för en skillnad i noggrannhetsklass – 2,1 % mot 2,6 % på vanlig transkribering förutsäger inte en dubbelt så stor skillnad vid talaridentifiering. Det finns två förklaringar och bara dina data kan skilja dem åt. Antingen är Geminis diarisering genuint svagare, vilket skulle passa dess dokumenterade tak på åtta talare och anteckningen ”experimentell” för tre eller fler talare, eller så smickrar Mistrals testramverk sin egen modell på ett sätt som en neutral omkörning inte skulle återskapa.

Praktiskt test: ta fyrtio minuter av det sämsta ljudet med flera talare som du har — överhörning, en talare via telefonlinje, minst ett ställe där två personer talar i munnen på varandra — kör båda och räkna talarbyten i stället för ord fel. Det tar en eftermiddag och avgör ett påstående som ingen av leverantörerna kan avgöra åt dig.

Vad transkripten faktiskt kostar i stor skala

Räkna på en supportorganisation som spelar in 4 000 timmar i månaden. Vid $0,004/min uppgår Voxtral Small Transcribe 3 till $960. Vid $0,005/min uppgår G​emini 3.5 Transcribe till $1 200. Den månatliga skillnaden på $240 är verklig och motsvarar ungefär kostnaden för en ingenjörstimme per arbetsdag, vilket är rätt sätt att väga den: betydelsefull gentemot ett självhostat alternativ vars drift inte kostar dig något, irrelevant om G​eminis `smart`-läge tar bort ett efterbearbetningssteg som du annars skulle betala för.

Det är i det efterbearbetningssteget som prisjämförelsen vanligtvis fallerar. En rå transkription med utfyllnadsord och olösta självkorrigeringar behöver en rensningsomgång – antingen ett regexlager som du underhåller eller ett LLM-anrop per fil. En rensad, interpunkterad transkription med talaretiketter från Gemini behöver inte det. Om din pipeline för närvarande gör ett språkmodellsanrop per transkription för att fixa formateringen, ta med det anropet i jämförelsen innan du drar slutsatsen att Mistral är 20 % billigare.

För team som vill ha båda — Mistrals diarisering på samtalen där talare spelar roll, Geminis rensning på det stora arkivet — är begränsningen vanligtvis nycklar och leverantörer snarare än pengar. OrcaRouters modellkatalog innehåller för närvarande varken Voxtral 3 eller Gemini 3.5 Transcribe, så just den här kombinationen innebär fortfarande två avtal. Där vi faktiskt hjälper till är lagret ovanför: resonemangsmodellen som sammanfattar eller dirigerar dessa transkript kan komma från en enda slutpunkt med automatisk failover, så valet av talleverantör låser inte också valet av nedströmsmodell.

Dom

Välj Voxtral Small Transcribe 3 om ditt problem är talare och dina språk är europeiska — påståendet om diarisering, de 24 EU-språken och den 20 % lägre kostnaden pekar alla åt samma håll, och 2,1 % WER på en oberoende resultattavla innebär att du inte offrar noggrannhet för det. Välj G​emini 3.5 Transcribe om ditt problem är själva transkriptionen: självkorrigeringar, formatering, en stor lista med namngivna språkvarianter och en publicerad gräns för ljudlängd som du kan planera kapacitet utifrån. Det enda jag inte skulle göra är att välja på grund av WER-gapet på 0,5 procentenheter. Det är mindre än variationen mellan körningar på vilken resultattavla som helst, och båda leverantörerna publicerar det nummer som passar dem från samma familj av utvärderingar.

Den öppna frågan är vad som händer när Voxtral Small Transcribe 3 lämnar förhandsversionen. Om Mistral ligger kvar på $0.004 och en oberoende omkörning av diarisering bekräftar gapet på 18 punkter, är detta inte längre ett gränsfall för den som gör mötes- eller samtalsanalys. Om priset ändras vid GA snävas argumentet åter in till enbart språktäckning och talarattribution.