Voxtral 3 TTS กับ Voxtral 4B TTS: โมเดลที่ใหม่กว่าซึ่งคุณดาวน์โหลดไม่ได้

ข้อเท็จจริงที่ชวนกระอักกระอ่วนเกี่ยวกับ Voxtral 3 T​TS ก็คือ มันดีกว่า Voxtral 4B T​TS ในแทบทุกแง่มุมที่วัดได้ และแย่กว่าในแง่มุมเดียวที่ตัดสินการนำไปใช้งานบางรูปแบบ นั่นคือคุณไม่มีทางได้มันมา Mistral เปิดตัว Voxtral 4B T​TS เมื่อวันที่ 23 มีนาคม 2026 ในรูปแบบน้ำหนักเปิด — mistralai/Voxtral-4B-T​TS-2603 บน Hugging Face ภายใต้สัญญาอนุญาต CC BY-NC 4.0 ดาวน์โหลดและรันบน accelerators ของคุณเองได้ ส่วน Voxtral 3 T​TS เปิดตัวเมื่อวันที่ 20 ตุลาคม 2026 ในฐานะผลิตภัณฑ์แบบ API เท่านั้น หน้าเปิดตัวระบุถึง endpoint ใน EU, US และทั่วโลก, playground ใน Studio และการติดตั้งใช้งานเองบนโครงสร้างพื้นฐานส่วนตัว โดยไม่เคยกล่าวถึงแม้แต่ครั้งเดียวว่ามีน้ำหนักโมเดลให้ใช้ได้ ดังนั้นโมเดลรุ่น successors ที่มาทีหลังเจ็ดเดือนจึงดีกว่า 127 Elo บนกระดานฟังแบบ blind (1,217 เทียบกับ 1,090) ถูกกว่า 19% ที่ $13 เทียบกับ $16 ต่อล้านอักขระ และเร็วกว่าประมาณ 42% ที่ 112 เทียบกับ 79 อักขระต่อวินาที — แต่ก็ยังไม่ใช่ตัวแทนที่เปลี่ยนแทนได้ทันทีสำหรับโมเดลที่มันมาแทน เพราะรุ่นเก่าเป็นสมาชิกเพียงตัวเดียวในตระกูลนี้ที่บริษัทสามารถเป็นเจ้าของได้จริง ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง

สองโมเดล เจ็ดเดือน หนึ่งขอบเขตสัญญาอนุญาต

ขอบเขตนั้นควรค่าแก่การระบุอย่างแม่นยำก่อนการทดสอบใด ๆ เพราะมันจัดเรียงการเปรียบเทียบทั้งหมดใหม่

• Voxtral 4B TTS — น้ำหนักโมเดลแบบเปิดภายใต้ CC BY-NC 4.0 ไม่ใช่เพื่อการค้า คุณสามารถดาวน์โหลด ตรวจสอบ เรียกใช้งาน และปรับแต่งละเอียดได้ แต่คุณไม่สามารถนำไปรวมไว้ในผลิตภัณฑ์ที่ต้องชำระเงินได้ ข้อจำกัดนี้สืบทอดมาจากชุดข้อมูลเสียงอ้างอิงที่อยู่เบื้องหลังมัน ไม่ใช่จากข้อจำกัดทางเทคนิคใด ๆ ของ checkpoint การโฮสต์ด้วยตนเองเพื่อการประเมินภายในนั้นทำได้ แต่การโฮสต์ด้วยตนเองในบริการเชิงพาณิชย์ที่ลูกค้าเข้าถึงได้นั้นทำไม่ได้

• Voxtral 3 T​TS — แบบปิด ยังไม่มีการเผยแพร่น้ำหนักโมเดล ณ วันที่ 21 ตุลาคม 2026 “การติดตั้งใช้งานเองบนโครงสร้างพื้นฐานส่วนตัวหรือคลาวด์ส่วนตัว” บนหน้าเพจของ Mistral เป็นข้อเสนอการติดตั้งใช้งานระดับองค์กรที่ต้องเจรจากับผู้ขาย ไม่ใช่ลิงก์ดาวน์โหลด และการนำสองสิ่งนี้มาปนกันเป็นความผิดพลาดที่เกิดขึ้นได้ง่ายที่สุดเมื่ออ่านหน้านั้นอย่างรวดเร็ว

ผลที่ตามมาในทางปฏิบัติ: หากเหตุผลที่คุณต้องการ Voxtral 4B T​TS คือเสียงไม่เคยออกจากเครือข่ายของคุณ Voxtral 3 T​TS ก็ไม่ได้แทนที่มัน เว้นแต่คุณจะเซ็นข้อตกลงบางอย่างกับ Mistral หากเหตุผลของคุณคือมันถูกกว่า API แบบโฮสต์ Voxtral 3 T​TS แทนที่มันในด้านราคาและเหนือกว่าในด้านคุณภาพ และคำถามเรื่องใบอนุญาตก็หายไป เพราะคุณกำลังซื้อบริการแทนที่จะเป็นไฟล์ ช่องว่างเจ็ดเดือนเดียวกันนี้คลี่คลายแตกต่างกัน ขึ้นอยู่กับว่าประโยคใดในสองประโยคนี้ที่อธิบายสถานการณ์ของคุณ

กระดานคะแนน

• Voice Elo ของผู้ให้บริการ — Voxtral 3 TTS: 1,217 (อันดับ 13 จาก 98) ช่วงความเชื่อมั่น 95% อยู่ที่ 1,202–1,232 ส่วน Voxtral 4B TTS: 1,090 (อันดับ 46) ช่วง 1,078–1,102 ทั้งสองค่าอ้างอิงจาก Artificial Analysis ณ วันที่อ่านข้อมูล 21 ตุลาคม 2026

• ราคาต่อ 1M อักขระ — $13.00 เทียบกับ $16.00 เมื่อคิดที่ประมาณ 900 อักขระต่อนาทีของการพูด จะอยู่ที่ $0.70 เทียบกับ $0.86 ต่อชั่วโมง

• {{1}}ปริมาณงานที่ประมวลผลได้{{/1}} — ค่ามัธยฐาน 112 อักขระต่อวินาที เทียบกับ 79 ซึ่งวัดโดย Artificial Analysis บนโฮสต์ดั้งเดิมของแต่ละโมเดล

• ภาษา — Voxtral 3 TTS: 35+ ภาษาและ 50+ ภาษาถิ่น มีพรีเซ็ตใน 18 ภาษา Voxtral 4B TTS: 9 ภาษา — อังกฤษ ฝรั่งเศส เยอรมัน สเปน ดัตช์ โปรตุเกส อิตาลี ฮินดี อาหรับ พร้อมรองรับภาษาถิ่น

• การปรับเสียง — Voxtral 3 T​TS: “Pro Voice” เสียงความยาว 30 นาที Voxtral 4B T​TS: พรอมต์อ้างอิงความยาว 5–25 วินาที ซึ่งโมเดลการ์ดระบุว่าสั้นได้เพียง 3 วินาที

• เวต — แบบปิดเทียบกับแบบเปิด (CC BY-NC 4.0)

ประเด็นด้านภาษาคือการเปลี่ยนแปลงครั้งใหญ่ที่สุดที่ยังไม่มีใครเขียนถึง Voxtral 4B T​TS รองรับเก้าภาษา ส่วนโมเดลใหม่อ้างว่ารองรับ 35+ ภาษาและ 50+ ภาษาถิ่น นั่นคือการขยายผลิตภัณฑ์ถึงสี่เท่า และเป็นข้อโต้แย้งที่หนักแน่นกว่า Elo สำหรับการอัปเกรด — 127 คะแนนพาคุณจากกลางกระดานไปสู่กลางกระดาน แต่การเปลี่ยนจากเก้าภาษาเป็นสามสิบห้าภาษาเปลี่ยนว่าคุณขายได้ในตลาดใดบ้าง

เส้นทางการปรับเสียง (voice-adaptation) วิ่งไปในทิศทางตรงกันข้าม และเป็นจุดที่ถอยหลังจริง ๆ เพียงจุดเดียว Voxtral 4B T​TS โคลนจากคลิปอ้างอิงสั้น ๆ — ตาม model card ระบุว่าสั้นเพียงสามวินาที โดยสถาปัตยกรรมอธิบายหน้าต่างพรอมป์ต์ 5–25 วินาที ส่วน Pro Voice ของ Voxtral 3 T​TS ต้องใช้เสียงสามสิบนาทีเพื่อจำลองบุคลิกของผู้พูด ช่วงอารมณ์ และสไตล์ข้ามภาษา สามสิบนาทีคือเซสชันในสตูดิโอ สามวินาทีคือฟีเจอร์ หากผลิตภัณฑ์ของคุณให้ผู้ใช้ได้ยินเสียงของตนเอง โมเดลที่ใหม่กว่าก็ทำงานนี้ได้แย่กว่า

4B จริง ๆ แล้วคืออะไรภายใต้กลไกเบื้องหลัง

จำนวนพารามิเตอร์ในชื่อของโมเดลรุ่นเก่าอธิบายถึงสถาปัตยกรรมจริง และอธิบายทั้งจุดแข็งของมันและเหตุผลที่รุ่นสืบทอดไม่ได้เป็นเพียงเวอร์ชันที่ใหญ่กว่าของมัน

Voxtral 4B TTS มีพารามิเตอร์ประมาณสี่พันล้านตัว แบ่งเป็นสามส่วน: แกนหลักตัวถอดรหัสแบบ transformer ขนาด 3.4B ที่สร้างขึ้นบน Ministral 3B, acoustic transformer แบบ flow-matching ขนาด 390M และ neural audio codec ขนาด 300M โดยทำงานแบบ autoregressive บน semantic VQ codec ที่มีคำศัพท์ 8,192 โทเคน ป้อนให้กับหัว flow-matching ซึ่งทำนายคุณลักษณะ acoustic FSQ ครอบคลุม 36 มิติที่ 21 ระดับ ทำงานที่ 12.5 Hz พูดง่าย ๆ คือ โมเดลภาษาขนาดเล็กอ่านข้อความและวางแผน เครือข่าย flow-matching เปลี่ยนแผนนั้นให้เป็นคุณลักษณะเสียง และ codec เปลี่ยนคุณลักษณะให้เป็นตัวอย่างเสียง มันสร้างได้สูงสุดสองนาทีโดยกำเนิด ส่วนเอาต์พุตที่ยาวกว่านั้นจะถูกจัดการด้วยการแทรกสลับใน API

ตัวเลขที่ Mistral เผยแพร่สำหรับโมเดลเดือนมีนาคมคือความหน่วงของโมเดล 70 มิลลิวินาทีสำหรับตัวอย่างเสียงความยาว 10 วินาทีและข้อความ 500 ตัวอักษร โดยมีปัจจัยเรียลไทม์ประมาณ 9.7 เท่า ตัวเลขเหล่านั้นวัดบนสแตกการให้บริการของ Mistral ไม่ได้วัดโดยอิสระ และบ่งบอกถึงโมเดลที่เร็วอย่างแท้จริงสำหรับรุ่นของมัน อัตราการประมวลผลของโมเดลเดือนตุลาคมบน Artificial Analysis ที่ 112 ตัวอักษรต่อวินาที เทียบกับ 79 ชี้ให้เห็นว่าตัวสืบทอดยังเร็วกว่าอีก แต่ Mistral ไม่ได้เผยแพร่เวลาในการสร้างเสียงแรกสำหรับ Voxtral 3 TTS เลย ซึ่งเป็นการละเว้นที่แปลกสำหรับบริษัทที่โมเดล TTS รุ่นก่อนนำเสนอด้วยตัวเลขความหน่วง

สถาปัตยกรรมสองรุ่นยังปรากฏให้เห็นได้จากจำนวนภาษา ในเดือนมีนาคมมีเก้าภาษา ภายในเดือนตุลาคมมีมากกว่าสามสิบห้า โดยโมเดลถอดเสียงของตระกูลนี้อ้างว่ารองรับภาษาราชการทั้ง 24 ภาษาของสหภาพยุโรป สิ่งใดก็ตามที่เปลี่ยนไประหว่างเช็กพอยต์ทั้งสองได้เปลี่ยนข้อมูลฝึกและความครอบคลุมของโทเคไนเซอร์มากกว่าที่ได้เปลี่ยนสแต็กอะคูสติกเสียอีก

ใครควรเก็บ 4B ไว้ และใครควรย้าย

ให้คงใช้ Voxtral 4B T​TS ไว้หากข้อใดข้อหนึ่งต่อไปนี้เป็นจริง คุณต้องการให้เสียงถูกประมวลผลบนฮาร์ดแวร์ที่คุณควบคุมและคุณไม่สามารถเจรจาการติดตั้งใช้งานแบบส่วนตัวได้ คุณกำลังทำวิจัยหรือประเมินผล ซึ่ง CC BY-NC 4.0 อนุญาตให้ใช้และค่าใบอนุญาตเป็นศูนย์ คุณต้องการโคลนเสียงจากตัวอย่างอ้างอิงสั้น — สามวินาทีเทียบกับสามสิบนาทีไม่ใช่เรื่องที่สูสีกันเลย คุณกำลังทำงานในหนึ่งในเก้าภาษาที่มันรองรับและคุณภาพก็เพียงพอ ซึ่งในกรณีนี้เช็กพอยต์ฟรีที่คุณรันอยู่แล้วมีค่ามากกว่าตัวที่ดีกว่าซึ่งคุณต้องเรียกใช้

ย้ายไปใช้ Voxtral 3 TTS หากข้อใดข้อหนึ่งต่อไปนี้เป็นจริง คุณกำลังขายผลลัพธ์ที่ได้ และด้วยเหตุนี้จึงไม่ได้รับอนุญาตให้โฮสต์เองรุ่น 4B ในเชิงพาณิชย์อยู่แล้ว — ในกรณีนั้นคุณใช้ API ราคา $0.016 ต่อพันตัวอักษรอยู่แล้ว และราคาใหม่ $13 ต่อล้านตัวอักษรถูกกว่า 19% สำหรับโมเดลที่ Elo ดีขึ้น 127 ซึ่งเป็นการอัปเกรดที่ง่ายที่สุดในบทความนี้ คุณต้องการภาษาที่อยู่นอกเหนือจากเก้าภาษาเดิม คุณต้องการสแต็กเอเจนต์: Voxtral 3 TTS มาพร้อม SDK สำหรับเอเจนต์เสียงที่สร้างบน LiveKit การรองรับ SIP และ WebRTC การตอบกลับของเอเจนต์ภายในเวลาไม่ถึงหนึ่งวินาที และราคาแพ็กเกจต่อนาทีที่ $0.04 พร้อมความสามารถในการให้เหตุผลของ Mistral Small 4 ซึ่งไม่มีสิ่งใดเหล่านี้เลยในโมเดลเมื่อเดือนมีนาคม

มีกลุ่มที่สามที่ควรใช้ทั้งสองอย่าง และกลุ่มนี้ใหญ่กว่าที่ดูเหมือน: ทีมที่สร้างต้นแบบบนเช็กพอยต์แบบเปิดแล้วให้บริการผ่าน API Voxtral 4B T​TS ให้โมเดลภายในเครื่องสำหรับทดสอบพรอมป์ต์ เสียง และโหมดความล้มเหลว โดยไม่มีค่าใช้จ่ายต่อการเรียกใช้และไม่มีข้อมูลออกจากองค์กร ส่วน Voxtral 3 T​TS ให้ปลายทางโปรดักชันที่มีความครอบคลุมภาษาและไลเซนส์สำหรับการขาย ทั้งสองอยู่ในสายตระกูลเดียวกันแต่ไม่ได้ใช้ชุด API เดียวกัน ดังนั้นควรวางแผนว่าพรอมป์ต์จะต้องปรับแต่งใหม่ — ช่องว่างคุณภาพ 127 จุดหมายถึงโมเดลคนละตัว ไม่ใช่แค่การอัปเวอร์ชัน และตัวควบคุมทิศทางที่ทำงานแบบหนึ่งบน 4B อาจไม่สามารถถ่ายโอนมาใช้ได้เสมอไป

หากเส้นทางโปรดักชันจำเป็นต้องอยู่รอดเมื่อผู้ให้บริการรายหนึ่งล่ม นั่นคือเหตุผลที่ควรวางการเรียกสังเคราะห์ไว้หลังเราเตอร์แทนการเรียก Mistral โดยตรง OrcaRouter มอบปลายทางเดียวที่เข้ากันได้กับ OpenAI ครอบคลุมกว่า 200 โมเดล ด้วยราคาลิสต์ของผู้ให้บริการที่ส่งผ่านโดยบวกเพิ่ม 0% ดังนั้นเมื่อแบ็กเอนด์การสังเคราะห์ตัวหนึ่งล่ม ระบบจะสลับไปใช้ตัวสำรองแทนที่จะเงียบไป — และไปป์ไลน์เสียงที่เรนเดอร์ชุดงานข้ามคืนก็เป็นงานประเภทที่ปลายทางที่ใช้งานไม่ได้ทำให้ต้องเสียเวลาทั้งคืนแทนที่จะเสียเพียงคำขอเดียว โมเดลของ Mistral เข้าถึงได้ผ่าน API ของ Mistral เองและแพลตฟอร์มบุคคลที่สามหลายแห่ง ตรวจสอบแคตตาล็อกสำหรับความพร้อมใช้งานปัจจุบันก่อนออกแบบโดยอิงกับ ID โมเดลใดโมเดลหนึ่ง

คำถามที่ Mistral ยังไม่ได้ตอบ

Voxtral 3 TTS จะมีการเปิดน้ำหนักโมเดลหรือไม่ โมเดลในเดือนมีนาคมเปิดให้ใช้ภายใต้สัญญาอนุญาตแบบไม่ใช้เชิงพาณิชย์ และกลายเป็นจุดอ้างอิงว่าคลังน้ำหนัก TTS แบบเปิดจากห้องแล็บในยุโรปมีลักษณะอย่างไร ไม่มีสิ่งใดในการเปิดตัวเดือนตุลาคมที่ย้ำถึงเรื่องนั้น หน้าเว็บระบุชัดเจนเกี่ยวกับการเข้าถึงผ่าน API และการติดตั้งใช้งานแบบส่วนตัว แต่เงียบเกี่ยวกับการดาวน์โหลด ซึ่งเป็นรูปแบบเดียวกับที่ Mistral ใช้กับโมเดลข้อความหลายรุ่นก่อนจะปล่อยน้ำหนักในอีกหลายเดือนต่อมา

หากมีการเปิดเผยค่าน้ำหนักของโมเดลจริง การเปรียบเทียบจะเปลี่ยนไปโดยสิ้นเชิง: ข้อกำหนดสัญญาอนุญาตจะเป็นตัวชี้ขาดว่าโมเดลแบบเปิดนั้นใช้ในเชิงพาณิชย์ได้หรือไม่ และบรรทัดฐานที่มีอยู่ — CC BY-NC 4.0 — บ่งชี้ว่าจะใช้ไม่ได้ ซึ่งจะทำให้สถานการณ์ยังคงใกล้เคียงกับปัจจุบัน โดยโมเดลที่ดาวน์โหลดได้เป็นเพียงผลงานวิจัย และโมเดลที่ใช้งานได้จริงเป็นบริการ

คำถามอีกข้อที่ยังไม่มีคำตอบคือว่า 4B จะยังคงมีรายชื่อใน API หรือไม่ ตารางราคาบริการเสียงพูดของ Mistral ระบุตระกูลใหม่และไม่กล่าวถึงโมเดลจากเดือนมีนาคม ขณะที่ Artificial Analysis ยังติดตามโมเดลดังกล่าวในราคา $16 โดยมีโฮสต์ที่ยังใช้งานอยู่ ในอดีต Mistral เคยคงโมเดลเสียงพูดรุ่นเก่าให้เรียกใช้ได้ต่อไปในระยะยาว หากยังเป็นเช่นนั้น ทีมต่าง ๆ ก็มีตัวเลือกสำรองที่ใช้งานได้จริง — โมเดลที่แย่กว่าเล็กน้อยและแพงกว่าเล็กน้อย แต่ก็ยังเป็นการติดตั้งใช้งานที่แตกต่างออกไป หากไม่เป็นเช่นนั้น ใครก็ตามที่สร้างบน voxtral-mini-tts-latest ในเดือนมีนาคม จำเป็นต้องตรวจสอบว่า alias นั้นชี้ไปยังโมเดลใดในขณะนี้ก่อนใบแจ้งหนี้ครั้งถัดไปของตน

ฉบับย่อ: Voxtral 3 TTS เป็นโมเดลที่ดีกว่าแต่เป็นสินทรัพย์ที่ด้อยกว่า ซื้อมันมาใช้เพราะภาษา คุณภาพ และสแต็กเอเจนต์ ส่วน Voxtral 4B TTS ให้เก็บไว้สำหรับงานโลคอล การโคลนจากเสียงอ้างอิงสั้น ๆ และเก้าภาษาที่มันทำได้ดีอยู่แล้ว การย้ายเพียงครั้งเดียวที่ถูกต้องอย่างชัดเจนคือจาก hosted API ของ 4B ไปยังตัวใหม่ — ผู้ขายรายเดียวกัน จุดยืนด้านสัญญาอนุญาตเดียวกัน ถูกกว่าและดีกว่า — และเป็นการย้ายเดียวในการเปรียบเทียบนี้ที่ไม่ต้องเสียค่าใช้จ่ายใด ๆ