Voxtral 3 ของ Mistral คว้าอันดับ 3 ในหมวดโมเดลถอดเสียง พร้อมเปิดตัวเสียงราคา $13

ตัวเลขที่ควรนำเสนอเป็นอันดับแรกคือ 2.1% นั่นคืออัตราความผิดพลาดระดับคำที่ Artificial Analysis วัดได้สำหรับ Voxtral Small Transcribe 3 ซึ่งทำให้ระบบรู้จำเสียงใหม่ของ Mistral อยู่อันดับสามบนบอร์ดจัดอันดับการแปลงเสียงเป็นข้อความอิสระ ณ วันที่ 21 ตุลาคม 2026 — เป็นรองเพียง Fun-Realtime-ASR-preview ของ A​libaba ที่ 1.7% และ MAI-Transcribe-2 ของ Microsoft ที่ 2.0% และนำหน้า ElevenLabs Scribe v2 ที่ 2.2% การเปิดตัวเดียวกันเมื่อวันที่ 20 ตุลาคมยังได้ส่งมอบ Voxtral 3 T​TS โมเดลสังเคราะห์เสียงที่ตั้งราคาไว้ที่ 13 ดอลลาร์ต่อหนึ่งล้านอักขระ ซึ่งอยู่อันดับที่สิบสามใน Provider Voice arena และอันดับที่สิบสี่ใน Controlled Voice arena หนึ่งในผลลัพธ์เหล่านั้นคือการขยับขึ้นตารางอย่างแท้จริง อีกผลลัพธ์หนึ่งคือรายการกลางตารางที่ทำได้ดีพร้อมป้ายราคาที่ดุดัน และช่องว่างระหว่างวิธีที่ทั้งสองได้รับการประกาศกับวิธีที่ทั้งสองทำคะแนนได้จริงคือสิ่งที่มีประโยชน์ที่สุดในการเปิดตัวครั้งนี้ ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวเช่นนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง

ทุกอย่างด้านล่างนี้แยกClaims สามประเภทออกจากกัน: ตัวเลขจากบอร์ด blind-listening และ transcription ของ Artificial Analysis (ข้อมูลอิสระ), ตัวเลขจากหน้าเปิดตัวของ Mistral เอง (ข้อมูลที่ผู้ขายรายงาน), และการคำนวณที่ทำที่นี่จากราคาที่เผยแพร่ สิ่งเหล่านี้ใช้แทนกันไม่ได้ และหน้าเปิดตัวนำเสนอสิ่งเหล่านี้ในลักษณะที่ทำให้เข้าใจปนกันได้ง่าย

ผลลัพธ์การถอดเสียงคือสิ่งที่ทำให้ Mistral ขึ้นไปบนกระดานอันดับได้จริง ๆ

Voxtral Small Transcribe 3 เป็นเรือธงของตระกูลสี่โมเดล และเป็นส่วนเดียวของการเปิดตัวที่มีคะแนนอิสระซึ่งเอาชนะผู้นำตลาดเดิมได้อย่างขาดลอย ที่ 2.1% WER มันตามหลัง MAI-Transcribe-2 ของ Microsoft อยู่ 0.1 คะแนน และนำหน้า Scribe v2 อยู่ 0.1 คะแนน — ช่วงต่างที่อยู่ในระดับความคลาดเคลื่อนของชุดประเมินชุดเดียว แต่ก็เพียงพอที่จะทำให้ Mistral อยู่ในบทสนทนาที่หัวตารางมากกว่าอยู่ในกลุ่มผู้ตาม

ตัวเลขความเร็วคือครึ่งหนึ่งที่น่าประหลาดใจกว่า Artificial Analysis วัดค่ามัธยฐานของ speed factor ได้ 66.6 สำหรับ Voxtral Small Transcribe 3 เทียบกับ 20.3 สำหรับ Fun-Realtime-ASR-preview ที่อยู่อันดับสูงสุด และ 308.8 สำหรับ MAI-Transcribe-2 พูดง่าย ๆ คือโมเดลของ Mistral ถอดเสียงได้ประมาณ 67 นาทีต่อการประมวลผลหนึ่งนาที — ช้ากว่า Microsoft สี่เท่า และเร็วกว่า Alibaba สามเท่า การที่ถูก แม่นยำ และช้าปานกลางเป็นรูปแบบที่ดีเยี่ยมสำหรับการถอดเสียงแบบแบตช์ แต่เป็นรูปแบบที่ไม่ดีสำหรับสิ่งใดก็ตามที่ต้องโต้ตอบ ซึ่งเป็นเหตุผลที่ Mistral ขายโมเดลเรียลไทม์แยกต่างหาก

ตระกูลผลิตภัณฑ์ ณ เวลาที่จัดส่งเมื่อวันที่ 20 ตุลาคม:

• Voxtral Small Transcribe 3 — รองรับกว่า 50 ภาษา, การแยกผู้พูด (diarization), context biasing, $0.004 ต่อนาที ($4.00 ต่อ 1,000 นาที) ตัวเลือกที่เน้นความแม่นยำ

• Voxtral Mini Transcribe 3 — พารามิเตอร์ 4B, มากกว่า 50 ภาษา, $0.0035 ต่อนาที ทำคะแนน WER 2.2% บนบอร์ดเดียวกัน — อยู่ในระดับเดียวกับโมเดล Small ในราคาที่ถูกกว่า 12.5% ซึ่งทำให้การจ่ายเงินเพิ่มสำหรับระดับ Small ยากที่จะพิสูจน์ได้ด้วยความแม่นยำเพียงอย่างเดียว

• Voxtral Mini Transcribe Realtime 3 — สตรีมมิ่ง อ้างว่ามีแลเทนซีต่ำกว่า 500 มิลลิวินาที ราคา $0.008 ต่อนาที หน้าเว็บของ Mistral เองระบุทั้ง “35+ ภาษา” และ “40+ ภาษา” สำหรับโมเดลนี้ในสองตำแหน่งที่ต่างกัน ยังไม่มีใครภายนอกทดสอบว่าอันไหนถูกต้อง

• Voxtral 3 TTS — การสังเคราะห์เสียงแบบแบตช์และแบบเรียลไทม์ในราคา 13 ดอลลาร์ต่อล้านตัวอักษร รองรับกว่า 35 ภาษาและกว่า 50 ภาษาถิ่น โมเดลที่ตารางราคาของ Mistral เรียกขานว่า "Voxtral Speech 3" และเอกสารประกอบระบุชื่อว่า voxtral-mini-tts-3-0

ในการประเมิน FLEURS 45 ของ Mistral เอง Voxtral Small Transcribe 3 รายงาน {{1}}WER 4.1% เมื่อกำหนดภาษา{{/1}} และ {{2}}4.0% เมื่ออนุมานภาษา{{/2}} นั่นเป็น benchmark คนละตัวกับที่ Artificial Analysis ใช้ ซึ่งเป็นเหตุผลว่าทำไมหน้าของผู้จำหน่ายจึงแสดง 4% และตารางจัดอันดับอิสระแสดง 2.1% ไม่มีตัวเลขใดผิด การอ้างทั้งสองตัวในประโยคเดียวกันโดยไม่ระบุว่าตัวไหนเป็นตัวไหนคือสาเหตุที่การรายงานข่าวการเปิดตัวผิดพลาด Mistral ยังอ้างว่ามีข้อผิดพลาดในการแยกผู้พูดต่ำที่สุดในชุดเปรียบเทียบของตนที่ 18.4% cpWER และ 94.6% recall ของวลีสำคัญเมื่อใช้ context biasing เพิ่มขึ้นจาก 81.4% เมื่อไม่ใช้ — เป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่ได้ทำซ้ำ

โมเดลเสียงอยู่ในระดับกลาง ๆ และราคาก็เป็นตัวโต้แย้งแทน

โพสต์โซเชียลของ Mistral วางกรอบการเปิดตัว TTS ว่าเป็นการก้าวเข้าสู่สิบสองอันดับแรกของทั้งสองเวที text-to-speech แต่กระดานคะแนนสดเมื่อวันที่ 21 ตุลาคมเล่าเรื่องที่ดูอ่อนลงเล็กน้อย: Voxtral 3 TTS อยู่อันดับที่ 13 บน Provider Voice ด้วย 1,217 Elo (ช่วงความเชื่อมั่น 95% อยู่ที่ 1,202–1,232 ซึ่งเป็นช่วงอันดับที่เสมอกันครอบคลุมอันดับ 11 ถึง 17) และอันดับที่ 14 บน Controlled Voice ด้วย 1,066 Elo (ช่วงที่เสมอกันครอบคลุมอันดับ 10 ถึง 19) กล่าวอีกนัยหนึ่ง มันอยู่ในสิบห้าอันดับแรกของทั้งสองกระดาน และช่วงความเชื่อมั่นทับซ้อนกับโมเดลอื่นอีกห้าโมเดล ดังนั้นอันดับที่แน่นอนจึงไม่ใช่ข้อเท็จจริงที่มั่นคง นี่เป็นวันที่สองของโมเดลบนกระดาน และจำนวนตัวอย่าง 1,619 การเปรียบเทียบนั้นต่ำกว่า 3,000+ ที่บรรดาผู้นำสะสมไว้มาก

สิ่งที่คงที่คือกลุ่มใกล้เคียงกัน โดยที่ 1,217 Elo Voxtral 3 TTS อยู่ในระดับเดียวกับ Realtime TTS-2 Flash และ StepAudio 2.5 TTS อยู่สูงกว่า ElevenLabs Eleven v3 ที่ 1,182 และอยู่ต่ำกว่า Cartesia Sonic 3.6 ที่ 1,289, Qwen-Audio-3.1-TTS-Plus ที่ 1,299 และ ElevenLabs Eleven v4 ที่ 1,328

มีสองเรื่องเกี่ยวกับตำแหน่งนั้นที่ควรพูดให้ชัดเจน ประการแรก {{1}}Voxtral 3 T​TS{{/1}} เป็นการปรับปรุงจากรุ่นสู่รุ่นที่ชัดเจนสำหรับ Mistral: {{2}}Voxtral T​TS{{/2}} เดือนมีนาคม 2026 ได้ 1,090 คะแนนบนบอร์ดเดียวกัน ดังนั้นนี่คือการเพิ่มขึ้น 127 คะแนน ประการที่สอง การเพิ่มขึ้นนี้ไม่ได้ปิดช่องว่างกับกลุ่มผู้นำระดับแนวหน้า โมเดลก่อนหน้าของ Mistral ตามหลังอยู่ไกลมาก ส่วนโมเดลใหม่อยู่กลางตาราง

13 ดอลลาร์ต่อล้านตัวอักษรซื้ออะไรได้จริง

ราคาคือจุดที่การเปิดตัวครั้งนี้น่าสนใจ และเป็นจุดที่การอ่านข่าวประชาสัมพันธ์แบบตรงตัวจะทำให้คุณเข้าใจผิด ที่ $13 ต่อล้านอักขระ Voxtral 3 TTS มีต้นทุนประมาณ $0.70 ต่อชั่วโมงของเสียงพูดที่สร้างขึ้น โดยสมมติว่ามีประมาณ 900 อักขระต่อนาทีของการพูด Cartesia Sonic 3.6 อยู่ที่ $2.65 ต่อชั่วโมงในราคา $49, ElevenLabs Eleven v4 อยู่ที่ $4.32 ในราคา $80 และ Qwen-Audio-3.0-TTS-Plus อยู่ที่ $1.04 ในราคา $19.31 เมื่อเทียบกับระดับพรีเมียม การประหยัดนั้นมีจริงและมาก

เมื่อเทียบกับกลุ่มที่เน้นความคุ้มค่า นี่ไม่ใช่ชัยชนะขาดลอย Simba 3.2 อยู่อันดับ #10 ด้วย 1,245 Elo — สูงกว่า Voxtral 3 T​TS อยู่ 28 คะแนน — ในราคา $6.6 ต่อล้านตัวอักษร ซึ่งเป็นครึ่งราคา Realtime T​TS-2 Flash ทำได้ 1,217 Elo เท่ากันในราคา $10.4 Gemini 3.8 Flash-Lite T​TS ทำได้ 1,250 ในราคา $11 เมื่อใช้อัตราส่วน Elo ต่อดอลลาร์แบบหยาบๆ ซึ่งถือว่า Elo เป็นเส้นตรงทั้งที่ไม่ได้เป็นเช่นนั้น และควรอ่านเป็นการจัดเรียงคร่าวๆ มากกว่าการวัด Voxtral 3 T​TS อยู่ที่ประมาณ 94 คะแนนต่อดอลลาร์ เทียบกับ 189 สำหรับ Simba 3.2 และ 118 สำหรับ Realtime T​TS-2 Flash

สรุปตามจริงก็คือ Mistral ตั้งราคาโมเดลนี้ให้ป้องกันสถานะของตัวเองได้ มากกว่าจะสร้างความ disruptive โดยตั้งราคาต่ำกว่าโมเดลทุกตัวที่เอาชนะมันได้เกิน 50 Elo และแพ้เรื่องความคุ้มค่าให้กับอย่างน้อยสามโมเดลที่ชนะมันด้านคุณภาพ นี่คือการเปิดตัวตามปกติ ไม่ใช่เหตุการณ์ปรับราคาครั้งใหญ่

จุดที่ routing มีความสำคัญในกรณีนี้คือการทำให้การเปรียบเทียบนั้นเป็นข้อมูลสด แทนที่จะอยู่ในสเปรดชีต OrcaRouter ให้บริการAPI เดียวสำหรับโมเดลกว่า 200 รุ่น และส่งผ่านราคาตามรายการของผู้ให้บริการโดยคิดมาร์กอัป 0% ดังนั้นเมื่อผู้ขายอย่าง Mistral ปรับอัตรา ตัวเลขที่โค้ดของคุณเห็นก็จะเปลี่ยนตามไปด้วย และการสลับ endpoint การสังเคราะห์เสียงที่อยู่เบื้องหลังไปป์ไลน์เสียงก็เป็นเพียงการเปลี่ยนการตั้งค่า ไม่ใช่สัญญาฉบับที่สอง คำถามว่า Voxtral 3 TTS ควรอยู่ในไปป์ไลน์นั้นหรือไม่ เป็นคำถามแยกต่างหากจากคำถามว่ามันเป็นโมเดลที่ดีที่สุดบนกระดานหรือไม่ — และบนกระดาน ณ วันนี้ มันไม่ใช่

ส่วนของรีลีสที่ไม่ใช่โมเดล

สิ่งที่ Mistral เปิดตัวเมื่อวันที่ 20 ตุลาคมซึ่งอาจเป็นสิ่งที่มีผลกระทบมากที่สุด อาจไม่ใช่โมเดลที่ได้คะแนนทั้งสองตัวนั้น ตระกูลนี้มาพร้อมกับ voice-agent SDK ที่สร้างบน LiveKit รองรับ SIP telephony, WebRTC, IVR และการเชื่อมต่อศูนย์ติดต่อ โดยอ้างว่าวงรอบการทำงานเต็มรูปแบบของเอเจนต์ใช้เวลาต่ำกว่าหนึ่งวินาที พร้อมการจัดการ barge-in Mistral ตั้งราคาทั้งวงรอบเอเจนต์ — เสียงเข้า การให้เหตุผล เสียงออก — ที่ 0.04 ดอลลาร์ต่อนาที เมื่อโมเดลการให้เหตุผลคือ Mistral Small 4 หรือ 0.08 ดอลลาร์ต่อนาทีเมื่อใช้โมเดลการให้เหตุผลที่แตกต่างออกไป

บันเดิลแบบต่อนาทีนั้นเป็นหน่วยที่ต่างจากอัตรา TTS แบบต่ออักขระ และการนำสองสิ่งนี้มาเปรียบเทียบกันโดยตรงเป็นข้อผิดพลาดที่พบบ่อย voice agent ที่พูด 30 วินาทีในการโทรหนึ่งนาทีจะใช้การสังเคราะห์เสียงประมาณ 4,500 อักขระ ซึ่งที่ราคา $13 ต่อล้านอักขระนั้นไม่ถึง 6 เซนต์ — ดังนั้นบันเดิลราคา $0.04 จึงแข่งขันได้กับการประกอบชิ้นส่วนเอง หากคุณต้องการโมเดล reasoning ของ Mistral อยู่แล้ว บันเดิลนี้ยังเป็นจุดที่ข้อโต้แย้งเรื่อง failover พิสูจน์ความคุ้มค่าในโปรดักชัน: voice agent ที่มี synthesis endpoint ที่ใช้ไม่ได้ก็คือสายโทรศัพท์ที่เงียบ และขา reasoning ของไปป์ไลน์นั้นก็เป็นสิ่งที่ router ที่มีระบบ failover อัตโนมัติถูกออกแบบมาเพื่อจัดการ

สิ่งที่ Mistral ไม่ได้เปิดตัวคือน้ำหนักแบบเปิด (open weights) หน้า Voxtral 3 อธิบายถึงการเข้าถึงผ่าน API, Studio playgrounds และการติดตั้งใช้งานเองบนโครงสร้างพื้นฐานส่วนตัว แต่ไม่เคยระบุว่าสามารถดาวน์โหลดน้ำหนักโมเดลได้ Voxtral TTS ที่เปิดตัวในเดือนมีนาคมวางจำหน่ายบน Hugging Face ภายใต้สัญญาอนุญาต CC BY-NC 4.0; ไม่มีสิ่งใดในรุ่นนี้ที่กล่าวซ้ำถึงเรื่องนั้น หากการโฮสต์ด้วยตนเองเป็นข้อกำหนด รุ่นนี้ยังไม่ตอบโจทย์ในขณะนี้

สามสิ่งที่ยังไม่มีใครวัดเลย

การไม่มีตัวเลขความหน่วงที่เผยแพร่สำหรับ Voxtral 3 T​TS ถือเป็นช่องโหว่ที่ชัดเจนที่สุดในเอกสารเปิดตัว Mistral ระบุว่าต่ำกว่า 500 มิลลิวินาทีสำหรับการถอดเสียงแบบเรียลไทม์ และต่ำกว่าหนึ่งวินาทีสำหรับเทิร์นของเอเจนต์ทั้งรอบ แต่ไม่มีเวลาไปยังเสียงแรกสำหรับการสังเคราะห์ ซึ่งเป็นตัวเลขที่กำหนดว่าวอยซ์เอเจนต์ให้ความรู้สึกเหมือนการสนทนาหรือไม่ Artificial Analysis รายงานเวลาสร้างค่ามัธยฐาน 7.2 วินาที และอัตราการประมวลผลค่ามัธยฐาน 112 ตัวอักษรต่อวินาที ซึ่งทั้งสองอย่างอธิบายการเรนเดอร์แบบแบตช์มากกว่าพฤติกรรมแบบสตรีมมิ่ง ค่ามัธยฐาน 112 ตัวอักษรต่อวินาทีถือว่าดี — เร็วกว่า 56 ของ ElevenLabs Eleven v3 และช้ากว่า 145 ของ Sonic 3.6 — แต่มันไม่ได้บอกอะไรเกี่ยวกับ 200 มิลลิวินาทีแรกเลย

การโคลนเสียงคือช่องว่างที่สอง การปรับใช้ "Pro Voice" ของ Mistral สามารถจำลองบุคลิกและช่วงอารมณ์ของผู้พูดได้จากเสียงความยาว 30 นาที นั่นเป็นกระบวนการระดับสตูดิโอ ไม่ใช่การโคลนทันทีในสิบวินาทีที่ Cartesia โฆษณา หรือการโคลนในสามสิบวินาทีที่ ElevenLabs เสนอ และสิ่งนี้วางตำแหน่ง Voxtral 3 TTS ให้เหมาะกับเสียงแบรนด์ มากกว่าสำหรับงานสร้างตัวละครที่ผู้ใช้สร้างขึ้น

ข้อที่สามคือความทนทาน เอกสารของ Mistral เองไม่ได้ระบุความยาวสูงสุดในการสร้างสำหรับ endpoint TTS และตัวอย่างใน arena เป็นคลิปสั้น การบรรยายแบบยาวคือจุดที่โมเดล Elo ระดับกลางยังเป็นคำตอบที่ถูกต้องได้ หากมันรักษาความสอดคล้องต่อเนื่องได้ตลอดสิบนาที และยังไม่มีใครเผยแพร่การทดสอบนั้น

การตีความอย่างยุติธรรมสำหรับวันที่ 20 ตุลาคม คือ Mistral ได้เปิดตัวคู่แข่งด้านการถอดเสียงที่แท้จริง และโมเดล TTS ที่ดีพอจะอยู่ในรายชื่อตัวเลือกและราคาถูกพอจะลองใช้ กระดานการถอดเสียงคือที่ที่บริษัทได้พาดหัวข่าวมาด้วยผลงาน ส่วนกระดานการสังเคราะห์เสียงคือที่ที่บริษัทซื้อพาดหัวข่าวนั้นมา