Guides & Insights

Voxtral 3 กับ Gemini 3.5 Transcribe: Mistral อ้างว่าชนะในเรื่องถ้อยคำ — Google ชนะในส่วนที่เหลือ

ผู้เขียน

Gideon Frost

วันที่เผยแพร่

Oct 20, 2026

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →

เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

กลับไปยังโพสต์ทั้งหมด

ในเมตริกเดียวที่ทั้งสองผู้ขายยอมเปิดเผย สองรุ่นนี้แทบไม่ต่างกันเลย Voxtral Small Transcribe 3 — ตัวถอดเสียงเรือธงของ Mistral จากตระกูล Voxtral 3 ที่เปิดตัวเมื่อวันที่ 20 ตุลาคม 2026 — มีอัตราคำผิดอยู่ที่ 2.1% บนบอร์ดแบบไม่สตรีมมิงของ Artificial Analysis Gemini 3.5 Transcribe ซึ่ง Google ให้บริการเป็นโมเดลที่พร้อมใช้งานทั่วไปตั้งแต่ 26 สิงหาคม 2026 มีอัตราอยู่ที่ 2.6% บนบอร์ดเดียวกัน ครึ่งจุดเปอร์เซ็นต์คือคำผิดเพิ่มราวห้าคำต่อพันคำ นั่นไม่ใช่เหตุผลในการเลือกตัวใดตัวหนึ่ง เหตุผลอยู่ที่ปัจจัยอื่นทั้งหมดนอกเหนือจากระดับคำ: Gemini แยกผู้พูดได้แปดคน รองรับคำศัพท์เฉพาะที่กำหนดเองได้หนึ่งพันคำ ขจัดคำพูดติดขัดและจัดการการแก้ไขคำพูดของตัวเองได้ในครั้งเดียว และครอบคลุมกว่า 85 โลแคล Voxtral แยกผู้พูดได้ดีกว่าอย่างเห็นได้ชัดตามตารางของตัวเอง ครอบคลุมกว่า 50 ภาษา และมีอัตราค่าบริการต่อนาทีที่ถูกกว่าของ Google หน้านี้ว่าด้วยว่าความแตกต่างใดในบรรดานั้นที่ไปถึงไปป์ไลน์ของคุณจริง อัตราคำผิดไม่ได้บันทึกว่า API ถอดเสียงของผู้ขายแต่ละรายล้มเหลวอย่างไรภายใต้โหลด และเหตุการณ์เหล่านั้นถูกบันทึกไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง

แต่ละรายการขายอะไร

การวางตำแหน่งของ Mistral สำหรับ Voxtral Small Transcribe 3 คือความแม่นยำบวกกับการระบุผู้พูด โดยเป็น "โมเดลถอดเสียงและแยกผู้พูดระดับเรือธง" ในตระกูล รองรับการประทับเวลาและการแยกผู้พูดได้โดยNative และยังทำการแปล การถามตอบด้วยเสียง การสรุป และการเรียกฟังก์ชันได้ด้วย — ซึ่งเป็นอีกนัยหนึ่งของการบอกว่ามันเป็นโมเดลเสียง-ภาษาthatถอดเสียง มากกว่าจะเป็นเครื่องถอดเสียงโดยเฉพาะ ในราคา $0.004 ต่อนาที พร้อมcontext 32k จึงถูกวางราคาให้เป็นทางเลือกทดแทนโดยตรงสำหรับAPIถอดเสียงแบบmanaged

กรอบแนวคิดของ Google สำหรับ Gemini 3.5 Transcribe คือสิ่งที่เกิดขึ้นกับทรานสคริปต์หลังการรู้จำ โหมด `verbatim` ซึ่งเป็นค่าเริ่มต้นจะเก็บคำเติม การเริ่มพูดผิด และการพูดซ้ำ; โหมด `smart` จะตัดสิ่งเหล่านี้ออกและใช้การจัดรูปแบบที่มีโครงสร้าง; คำศัพท์ที่กำหนดเองจะทำให้ระบบโน้มเอียงไปทางศัพท์เฉพาะของคุณ; การประทับเวลาในระดับคำจะส่งกลับมาเป็นแอนโนเทชัน; และป้ายผู้พูดจะมาในรูปแบบ `spk_1`, `spk_2` และอื่น ๆ ระบบนี้ทำงานผ่าน Interactions API สำหรับไฟล์ และ SKU แยกต่างหาก `gemini-3.5-transcribe-live` สำหรับการสตรีมมิ่ง และมีแพ็กเกจฟรีที่ Mistral ไม่มีให้

พูดง่าย ๆ ก็คือ Mistral กำลังขายหูที่ดีกว่าให้คุณ ส่วน Google กำลังขายเครื่องมือแก้ไขที่ดีกว่าให้คุณ

ทีละมิติ

A screenshot of the Gemini API transcription documentation page, showing the Overview section for Gemini 3.5 Transcribe and its key capabilities: automatic speech recognition across 85+ locales with intra-sentence code-switching, custom vocabulary of up to 1,000 phrases, speaker diarization, word-level timestamps and smart transcription that cleans up disfluencies.

• ความแม่นยำที่เป็นอิสระ — Voxtral Small Transcribe 3 อยู่ที่ 2.1% AA-WER เทียบกับ Gemini 3.5 Transcribe ที่ 2.6% ทั้งคู่บนลีดเดอร์บอร์ดแบบไม่สตรีมมิ่งของ Artificial Analysis ตาราง FLEURS ของ Mistral เองแสดงช่องว่างที่กว้างกว่า: 4.1% สำหรับภาษาบังคับของ Voxtral เทียบกับ 6.1% ของ Gemini แต่มีเพียง 4.0% เทียบกับ 4.5% เมื่อใช้ภาษาที่อนุมานได้ บอร์ดอิสระเห็นพ้องกับการตีความจากภาษาที่อนุมานได้ ดังนั้นควรมองตัวเลข 6.1% เป็นจุดที่ยังไม่ลงตัวของตาราง Mistral มากกว่าจะเป็นหัวข่าวหลัก

• ราคา — $0.004/นาที เทียบกับ $0.005/นาที ทั้งคู่เป็นอัตราตามรายการแบบเฉลี่ย นั่นคือ $240 เทียบกับ $300 ต่อชั่วโมงเสียงหนึ่งพันชั่วโมง เป็นความแตกต่างที่มีจริง แต่ไม่ใช่ปัจจัยชี้ขาดโดยตัวมันเอง; ส่วนต่าง 20% อาจหายไปได้ด้วยการรันซ้ำหนึ่งครั้งของแบตช์ที่แย่

• การระบุผู้พูด — Voxtral Small Transcribe 3 ทำได้ 18.4% WER แบบ min-permutation ต่อเนื่องบนฮาร์เนสของ Mistral เทียบกับ Gemini 3.5 Transcribe ที่ 38.4% ในตารางผู้ขายเดียวกัน นี่คือช่องว่างที่ใหญ่ที่สุดในโพสต์เปิดตัว และเป็นสิ่งที่มักมีแนวโน้มจะสำคัญที่สุด ต้องแสดงข้อจำกัดอย่างตรงไปตรงมา: ตัวเลขทั้งสองเป็นของ Mistral ซึ่งรันบนฮาร์เนสของ Mistral และ Google ไม่ได้เผยแพร่คะแนน diarization ที่เทียบเท่าเพื่อใช้ตรวจสอบ เอกสารของ Google เปิดเผยเพดานแข็งที่ไม่ใช่ benchmark — แปดผู้พูด โดยการระบุผู้พูดเป็น "experimental" สำหรับสามคนขึ้นไป — ซึ่งสำหรับการถอดเสียงการประชุมแล้วเป็นข้อจำกัดของผลิตภัณฑ์ ไม่ใช่คำถามเรื่องคุณภาพ

• ความครอบคลุมของภาษา — Voxtral: ภาษามากกว่า 50 ภาษา รวมถึงภาษาราชการทั้ง 24 ภาษาของสหภาพยุโรป และกลุ่มภาษาที่มีทรัพยากรต่ำในเอเชียและกลุ่มภาษาอินดิก Gemini: โลแคลมากกว่า 85 แห่ง พร้อมคำใบ้ BCP-47 และการสลับภาษาภายในประโยค รายการของ Google ยาวกว่า และที่สำคัญกว่านั้นคือระบุชื่อไว้ — คุณสามารถตรวจสอบได้ว่าภาษาท้องถิ่นของคุณอยู่ในรายการนั้นหรือไม่ "50+" ของ Mistral เป็นเพียงจำนวนที่ไม่มีรายการ

• ขีดจำกัดด้านเสียง — Gemini จำกัดเสียงแบบ unary ไว้ที่หนึ่งชั่วโมง หรือสามสิบานาทีเมื่อคุณขอการแยกผู้พูดหรือการประทับเวลาเป็นรายคำ Mistral ไม่ได้ประกาศความยาวเสียงสูงสุดสำหรับ Voxtral Small Transcribe 3 เลย การไม่ระบุเช่นนั้นไม่ใช่คุณสมบัติ ถ้าคุณประมวลผลไฟล์ยาว Gemini เป็นตัวเดียวในสองตัวนี้ที่คุณใช้กำหนดขนาดคิวงานได้โดยไม่ต้องสอบถามฝ่ายขาย

• การควบคุมคำศัพท์ — Gemini รองรับคำศัพท์กำหนดเองได้สูงสุด 1,000 คำ (ผลลัพธ์ดีที่สุดเมื่อใช้ไม่เกินประมาณ 100 คำ) และเตือนอย่างชัดเจนว่าคำศัพท์กำหนดเองไม่สามารถใช้ร่วมกับการแยกผู้พูด (diarization) หรือการประทับเวลาเป็นรายคำได้ การให้น้ำหนักบริบทของ Voxtral รับคำสำคัญและข้อความแบบอิสระ และ Mistral รายงานว่าค่าความระลึกของวลีสำคัญอยู่ที่ 94.6% เมื่อใช้ prompting เทียบกับ 81.4% เมื่อไม่ใช้ โปรดสังเกตรูปแบบของข้อกล่าวอ้างนั้น: เป็นค่าความระลึกเมื่อให้น้ำหนัก ไม่ใช่ข้อผิดพลาดเมื่อให้น้ำหนัก และเป็นข้อมูลที่ผู้ขายรายงานเอง

• การจัดการการแก้ไขตนเอง — โหมด `smart` ของ Gemini จะจัดการการแก้ไขคำพูดของตัวเองและปรับตัวเลขและสกุลเงินที่พูดให้เป็นรูปแบบมาตรฐาน Mistral ไม่มีโหมดที่เทียบเท่าซึ่งมีเอกสารระบุไว้ หากเสียงของคุณเป็นการสัมภาษณ์หรือบทสนทนาในคอลเซ็นเตอร์ที่เต็มไปด้วย “ไม่นะ เดี๋ยวก่อน ฉันหมายถึง” นี่คือฟีเจอร์เดียวที่มีแนวโน้มที่สุดที่จะใช้ตัดสินใจเลือก

• สตรีมมิ่ง — Gemini มี SKU ที่เปิดใช้งานจริงในราคาประมาณ $0.009/นาทีแบบ blended ระดับสตรีมมิ่งของ Voxtral เป็นโมเดลอีกตัวหนึ่ง คือ Voxtral Mini Transcribe Realtime 3 ในราคา $0.008/นาที โดยกำหนดค่าความหน่วงได้ตั้งแต่ 80 ถึง 2,400 ms โมเดลสตรีมมิ่งของผู้ให้บริการทั้งสองรายไม่ใช่รุ่นเรือธงด้านความแม่นยำ ดังนั้นการนำความแม่นยำของสตรีมมิ่งไปเปรียบเทียบกับตัวเลขแบบแบตช์ข้างต้นจึงเป็นการเปรียบเทียบผิดประเภท

• ความพร้อมใช้งาน — Gemini 3.5 Transcribe เป็น GA ตั้งแต่ 26 สิงหาคม 2026 และมีคะแนน WER อิสระบนบอร์ดสาธารณะ Voxtral Small Transcribe 3 อยู่ในช่วงพรีวิวสาธารณะ ณ วันที่ 20 ตุลาคม 2026 โดยไม่มีประวัติอัปไทม์ ไม่มีวันที่เป็น GA และไม่มีข้อผูกมัดที่เผยแพร่ว่าราคาพรีวิวจะคงอยู่

หมายเลขไดอาไรเซชันคือหมายเลขที่ต้องทดสอบ

A generated two-column scoreboard titled Voxtral Small Transcribe 3 vs Gemini 3.5 Transcribe — the scoreboard. The left column reads independent accuracy 2.1% AA-WER, price $0.004 per minute, diarization 18.4% cpWER, languages 50+, audio limit not published, maturity public preview. The right column reads 2.6% AA-WER, $0.005 per minute, 38.4% cpWER, 85+ locales, a one hour limit or thirty minutes with diarization, and GA since 26 August 2026.

หากมีประโยคเดียวในการเปรียบเทียบนี้ที่ควรทำให้คุณกลับไปตรวจไฟล์เสียงของคุณเอง ประโยคนั้นคือ: Mistral อ้างว่ามีอัตราข้อผิดพลาดในการแยกผู้พูด (diarization) 18.4% เทียบกับ 38.4% ของ Gemini และ Google ไม่ได้เผยแพร่ตัวเลขโต้แย้งใด ๆ นั่นเป็นช่องว่างที่ใหญ่จนน่าสงสัยสำหรับความแตกต่างระดับความแม่นยำ — 2.1% กับ 2.6% ในการถอดเสียงแบบธรรมดาไม่ได้บ่งชี้ว่าจะมีช่องว่าง 2 เท่าในการระบุผู้พูด มีคำอธิบายที่เป็นไปได้สองอย่าง และมีเพียงข้อมูลของคุณเท่านั้นที่แยกสองอย่างนี้ออกได้ ไม่ว่าการแยกผู้พูดของ Gemini จะอ่อนกว่าจริง ซึ่งจะสอดคล้องกับเพดานแปดผู้พูดที่ระบุไว้ในเอกสารและหมายเหตุ "experimental" สำหรับสามผู้พูดขึ้นไป หรือชุดทดสอบของ Mistral ทำให้โมเดลของตัวเองดูดีเกินจริงในลักษณะที่การรันซ้ำอย่างเป็นกลางจะไม่ให้ผลเช่นนั้น

การทดสอบจริง: เอาไฟล์เสียงหลายผู้พูดที่แย่ที่สุดเท่าที่คุณมีมา 40 นาที — มีเสียงพูดสอดกัน มีผู้พูดคนหนึ่งพูดผ่านสายโทรศัพท์ และมีอย่างน้อยหนึ่งจุดที่สองคนพูดทับกัน — แล้วรันทั้งสองระบบ และนับจำนวนครั้งที่มีการสลับผู้พูดแทนการนับคำที่ผิด การทดสอบนี้ใช้เวลาหนึ่งบ่ายและช่วยตัดสินคำกล่าวอ้างที่ผู้ขายทั้งสองรายพิสูจน์แทนคุณไม่ได้

ต้นทุนจริงของบทถอดเสียงเมื่อขยาย規模คือเท่าไร

ลองคิดเลขจากองค์กรสนับสนุนที่บันทึกเวลา 4,000 ชั่วโมงต่อเดือน ที่ $0.004/นาที Voxtral Small Transcribe 3 จะมีค่าใช้จ่าย $960 ที่ $0.005/นาที Gemini 3.5 Transcribe จะมีค่าใช้จ่าย $1,200 ช่องว่าง $240 ต่อเดือนนั้นเป็นของจริง และประมาณเท่ากับค่าชั่วโมงทำงานของวิศวกรหนึ่งชั่วโมงต่อวันทำการ ซึ่งเป็นวิธีที่ถูกต้องในการชั่งน้ำหนัก: มีความหมายเมื่อเทียบกับทางเลือกแบบโฮสต์เองซึ่งมีต้นทุนด้านปฏิบัติการเป็นศูนย์สำหรับคุณ แต่ไม่มีความหมายหากโหมด `smart` ของ Gemini ขจัดขั้นตอนหลังการประมวลผลที่คุณจะต้องจ่ายหากไม่มีโหมดนี้

A generated cost graphic titled 4,000 hours a month, and the cleanup pass, showing Voxtral Small Transcribe 3 at $960 per month for a raw transcript with no cleanup against Gemini 3.5 Transcribe at $1,200 per month for a cleaned, punctuated, speaker-labelled transcript, with a strip reading that the $240 gap is one engineer-hour per working day.

ขั้นตอนหลังการประมวลผลนั่นแหละคือจุดที่การเปรียบเทียบราคามักใช้ไม่ได้ผล ทรานสคริปต์ดิบที่มีคำเติมและมีการแก้ไขคำพูดของตัวเองที่ยังไม่เรียบร้อย จำเป็นต้องผ่านการทำความสะอาดหนึ่งรอบ — ไม่ว่าจะเป็นเลเยอร์ regex ที่คุณดูแลเอง หรือการเรียก LLM ต่อไฟล์ ส่วนทรานสคริปต์จาก Gemini ที่ทำความสะอาดแล้ว ใส่เครื่องหมายวรรคตอนแล้ว และติดป้ายผู้พูดแล้ว ไม่จำเป็นต้องทำเช่นนั้น หากไปป์ไลน์ของคุณตอนนี้ใช้การเรียกโมเดลภาษาหนึ่งครั้งต่อทรานสคริปต์เพื่อแก้การจัดรูปแบบ ให้รวมการเรียกนั้นไว้ในการเปรียบเทียบก่อนที่คุณจะสรุปว่า Mistral ถูกกว่า 20%

สำหรับทีมที่ต้องการทั้งสองอย่าง — การแยกผู้พูดของ Mistral ในสายที่ผู้พูดมีความสำคัญ และการทำความสะอาดของ Gemini ในคลังเก็บถาวรจำนวนมาก — ข้อจำกัดมักอยู่ที่คีย์และผู้จำหน่าย มากกว่าเรื่องเงิน แคตตาล็อกโมเดลของ OrcaRouter ยังไม่มีทั้ง Voxtral 3 หรือ Gemini 3.5 Transcribe ดังนั้นการจับคู่นี้จึงยังต้องใช้สองสัญญา จุดที่เราช่วยได้คือเลเยอร์ที่อยู่เหนือขึ้นไป: โมเดลการให้เหตุผลที่สรุปหรือกำหนดเส้นทางทรานสคริปต์เหล่านั้นสามารถมาจากปลายทางเดียวพร้อมการสลับไปยังระบบสำรองอัตโนมัติ เพื่อให้การเลือกผู้จำหน่ายระบบเสียงพูดไม่ล็อกการเลือกโมเดลปลายน้ำของคุณไปด้วย

คำตัดสิน

เลือก Voxtral Small Transcribe 3 หากปัญหาของคุณคือผู้พูดและภาษาของคุณอยู่ในกลุ่มยุโรป — คำกล่าวอ้างเรื่องการแยกผู้พูด (diarization), ภาษา EU 24 ภาษา และอัตราที่ต่ำกว่า 20% ล้วนชี้ไปทางเดียวกัน และ WER 2.1% บนบอร์ดทดสอบอิสระหมายความว่าคุณไม่ได้แลกความแม่นยำเพื่อสิ่งนั้น เลือก Gemini 3.5 Transcribe หากปัญหาของคุณคือตัวบทถอดเสียงเอง: การแก้ไขตนเอง การจัดรูปแบบ รายการ locale ที่ระบุชื่อไว้จำนวนมาก และขีดจำกัดความยาวเสียงที่ประกาศไว้ซึ่งคุณใช้วางแผนกำลังความจุได้ สิ่งเดียวที่ผมจะไม่ทำคือเลือกจากช่องว่าง WER 0.5 จุด มันเล็กกว่าความแปรปรวนจากการรันแต่ละครั้งบนบอร์ดใด ๆ และทั้งสองผู้ขายพิมพ์ตัวเลขที่เหมาะกับตนจากตระกูลการประเมินเดียวกัน

คำถามที่ยังไม่มีคำตอบคือจะเกิดอะไรขึ้นเมื่อ Voxtral Small Transcribe 3 ออกจากช่วงพรีวิว หาก Mistral คงราคาไว้ที่ $0.004 และการรันไดอาริเซชันซ้ำโดยอิสระยืนยันช่องว่าง 18 จุด สิ่งนี้ก็จะไม่ใช่การตัดสินใจที่สูสีอีกต่อไปสำหรับใครก็ตามที่ทำการวิเคราะห์การประชุมหรือสายสนทนา หากราคาเปลี่ยนแปลงตอน GA กรณีนี้ก็จะกลับมาแคบลงเหลือเพียงความครอบคลุมของภาษาและการระบุผู้พูดเท่านั้น

การเปรียบเทียบในบทความนี้1

Google: Gemini 3.5 Flash-LiteปะทะGoogle: Gemini 3.8 Flash22ความฉลาด4149การเขียนโค้ด76$0.30ต่อ 1 ล้านโทเคนขาเข้า$0.75เปรียบเทียบ กล่าวถึงร่วมกัน

ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

Voxtral 3 กับ Gemini 3.5 Transcribe: Mistral อ้างว่าชนะในเรื่องถ้อยคำ — Google ชนะในส่วนที่เหลือ

แต่ละรายการขายอะไร

ทีละมิติ

หมายเลขไดอาไรเซชันคือหมายเลขที่ต้องทดสอบ

ต้นทุนจริงของบทถอดเสียงเมื่อขยาย規模คือเท่าไร

คำตัดสิน

การเปรียบเทียบในบทความนี้1

ผลิตภัณฑ์

ทรัพยากร

สำหรับผู้ให้บริการ

เข้าร่วมคอมมูนิตี้ของเรา

จากบล็อก

ผู้ให้บริการโมเดล