Voxtral 3 của Mistral trình làng mô hình Transcribe xếp hạng #3 và giọng nói 13 USD

Con số để mở đầu là 2,1%. Đó là tỷ lệ lỗi từ mà Artificial Analysis đo được cho Voxtral Small Transcribe 3, đưa công cụ nhận dạng mới của Mistral lên vị trí thứ ba trên bảng xếp hạng chuyển giọng nói thành văn bản độc lập tính đến ngày 21 tháng 10 năm 2026 — chỉ đứng sau Fun-Realtime-ASR-preview của A​libaba ở 1,7% và MAI-Transcribe-2 của Microsoft ở 2,0%, đồng thời xếp trên ElevenLabs Scribe v2 ở 2,2%. Bản phát hành cùng ngày 20 tháng 10 cũng tung ra Voxtral 3 T​TS, một mô hình tổng hợp có giá $13 mỗi triệu ký tự, xếp thứ mười ba trên Provider Voice arena và thứ mười bốn trên Controlled Voice arena. Một trong hai kết quả đó là một bước tiến thực sự trên bảng xếp hạng. Kết quả còn lại là một mục tầm trung đủ năng lực với mức giá rất cạnh tranh, và khoảng cách giữa cách hai mô hình được công bố và cách chúng thực sự đạt điểm là điều hữu ích nhất trong đợt ra mắt này. Các lỗi AI và sự cố agent được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp riêng.

Tất cả nội dung dưới đây tách biệt ba loại tuyên bố: các con số từ bảng nghe mù và phiên âm của Artificial Analysis (độc lập), các con số từ trang ra mắt của chính Mistral (do nhà cung cấp báo cáo), và phần tính toán được thực hiện ở đây từ các mức giá đã công bố. Chúng không thể thay thế cho nhau, và trang ra mắt trình bày chúng theo cách khiến người ta dễ nhầm lẫn chúng với nhau.

Kết quả phiên âm mới là thứ thực sự giúp Mistral tiến lên trên bảng xếp hạng.

Voxtral Small Transcribe 3 là mẫu chủ lực trong nhóm bốn mô hình, và là phần duy nhất của bản phát hành có điểm số độc lập đánh bại hẳn các đối thủ hiện hành. Với WER 2,1%, nó kém Microsoft MAI-Transcribe-2 0,1 điểm và hơn Scribe v2 0,1 điểm — các mức chênh lệch này nằm gọn trong ngưỡng nhiễu của một bộ đánh giá đơn lẻ, nhưng đủ để đưa Mistral vào cuộc bàn luận ở nhóm dẫn đầu bảng xếp hạng thay vì nằm trong nhóm bám đuổi.

Con số về tốc độ là nửa đáng ngạc nhiên hơn. Artificial Analysis đo được hệ số tốc độ trung vị là 66,6 đối với Voxtral Small Transcribe 3, so với 20,3 của Fun-Realtime-ASR-preview xếp hạng đầu và 308,8 của MAI-Transcribe-2. Nói một cách đơn giản, mô hình của Mistral phiên âm được khoảng 67 phút âm thanh cho mỗi phút tính toán — chậm hơn của Microsoft bốn lần, nhanh hơn của A​libaba ba lần. Rẻ, chính xác và chậm vừa phải là một cấu hình hoàn toàn tốt cho phiên âm theo lô; đó là một cấu hình kém cho bất kỳ thứ gì mang tính tương tác, đó là lý do Mistral bán một mô hình thời gian thực riêng.

Dòng sản phẩm, như được xuất xưởng vào ngày 20 tháng 10:

• Voxtral Small Transcribe 3 — hơn 50 ngôn ngữ, phân tách người nói, điều chỉnh theo ngữ cảnh, 0,004 đô la mỗi phút (4,00 đô la cho 1.000 phút). Lựa chọn ưu tiên độ chính xác.

• Voxtral Mini Transcribe 3 — 4B tham số, 50+ ngôn ngữ, $0.0035 mỗi phút. Đạt 2.2% WER trên cùng bảng đánh giá — ngang bằng về mặt thống kê với mô hình Small với chi phí thấp hơn 12.5%, khiến mức giá cao hơn của hạng Small khó có thể biện minh chỉ dựa vào độ chính xác.

• Voxtral Mini Transcribe Realtime 3 — truyền phát trực tiếp, được cho là có độ trễ dưới 500ms, 0,008 USD mỗi phút. Trang của chính Mistral nói cả “35+ ngôn ngữ” và “40+ ngôn ngữ” cho mô hình này ở hai chỗ khác nhau; chưa có ai bên ngoài kiểm chứng điều nào đúng.

• Voxtral 3 TTS — tổng hợp theo lô và theo thời gian thực với mức giá 13 đô la cho mỗi triệu ký tự, hơn 35 ngôn ngữ và hơn 50 phương ngữ. Mô hình mà bảng giá của Mistral gọi là "Voxtral Speech 3" và tài liệu của hãng liệt kê là voxtral-mini-tts-3-0.

Trên đánh giá FLEURS 45 của chính Mistral, Voxtral Small Transcribe 3 báo cáo WER 4,1% khi chỉ định ngôn ngữ và 4,0% khi suy luận ngôn ngữ. Đó là một benchmark khác với benchmark mà Artificial Analysis chạy, đó là lý do trang của nhà cung cấp hiển thị 4% còn bảng độc lập hiển thị 2,1%. Cả hai con số đều không sai; việc trích dẫn chúng trong cùng một câu mà không nói rõ con số nào là con số nào chính là cách đưa tin ra mắt bị sai lệch. Mistral cũng tuyên bố có lỗi tách người nói thấp nhất trong nhóm so sánh của mình, ở mức 18,4% cpWER và độ thu hồi cụm từ khóa 94,6% khi dùng context biasing, tăng từ 81,4% khi không dùng — do nhà cung cấp báo cáo, chưa được tái lập.

Mô hình giọng nói chỉ ở mức trung bình, còn mức giá đang gánh phần thuyết phục.

Bài đăng mạng xã hội của Mistral trình bày việc ra mắt TTS như việc lọt vào top 12 của cả hai đấu trường chuyển văn bản thành giọng nói. Các bảng trực tiếp ngày 21 tháng 10 lại kể một câu chuyện có phần nhẹ nhàng hơn: Voxtral 3 TTS đứng ở #13 trên Provider Voice với 1.217 Elo (khoảng 95% là 1.202–1.232, một dải đồng hạng trải từ hạng 11 đến 17) và #14 trên Controlled Voice với 1.066 Elo (một dải đồng hạng trải từ 10 đến 19). Nói cách khác, mô hình nằm trong top 15 ở cả hai — và các khoảng tin cậy chồng lấn với năm mô hình khác, nên thứ hạng chính xác không phải là một dữ kiện ổn định. Đây là ngày thứ hai mô hình có mặt trên bảng và số mẫu của nó, 1.619 phép so sánh, thấp hơn nhiều so với mức 3.000+ mà các mô hình dẫn đầu đã tích lũy.

Điều ổn định chính là khu vực xung quanh. Với 1.217 Elo, Voxtral 3 T​TS ngang bằng với Realtime T​TS-2 Flash và StepAudio 2.5 T​TS, xếp trên ElevenLabs Eleven v3 ở 1.182, và xếp dưới Cartesia Sonic 3.6 ở 1.289, Q​wen-Audio-3.1-T​TS-Plus ở 1.299 và ElevenLabs Eleven v4 ở 1.328.

Có hai điều về vị trí xếp hạng đó đáng nói thẳng. Thứ nhất, Voxtral 3 TTS là một sự cải thiện rõ rệt qua từng thế hệ đối với Mistral: Voxtral TTS của tháng 3 năm 2026 đạt 1.090 điểm trên cùng bảng xếp hạng, nên đây là bước nhảy 127 điểm. Thứ hai, bước nhảy này không thu hẹp khoảng cách với nhóm dẫn đầu. Mô hình trước đó của Mistral ở rất xa phía sau; mô hình mới nằm ở giữa bảng.

13 đô la cho một triệu ký tự thực sự mua được những gì

Giá là điểm khiến bản phát hành này trở nên thú vị, và cũng là chỗ mà việc đọc thông cáo báo chí theo đúng mặt chữ sẽ khiến bạn hiểu sai. Ở mức $13 mỗi triệu ký tự, Voxtral 3 TTS tốn khoảng $0.70 cho mỗi giờ giọng nói được tạo ra, với giả định khoảng 900 ký tự mỗi phút nói. Cartesia Sonic 3.6 có giá $2.65 một giờ ở mức $49, ElevenLabs Eleven v4 có giá $4.32 ở mức $80, và Qwen-Audio-3.0-TTS-Plus có giá $1.04 ở mức $19.31. So với phân khúc cao cấp, khoản tiết kiệm là có thật và rất lớn.

So với phân khúc giá trị, đây không phải là một chiến thắng áp đảo. Simba 3.2 đứng ở vị trí #10 với 1.245 Elo — cao hơn Voxtral 3 TTS 28 điểm — ở mức 6,6 USD mỗi triệu ký tự, bằng một nửa giá. Realtime TTS-2 Flash đạt cùng 1.217 Elo với mức giá 10,4 USD. Gemini 3.8 Flash-Lite TTS đạt 1.250 với giá 11 USD. Theo một tỷ lệ Elo trên mỗi đô-la thô sơ, vốn coi Elo là tuyến tính trong khi thực tế không phải vậy và nên được đọc như một cách sắp xếp thô chứ không phải một phép đo, Voxtral 3 TTS đạt khoảng 94 điểm mỗi đô-la, so với 189 của Simba 3.2 và 118 của Realtime TTS-2 Flash.

Tóm tắt trung thực là Mistral định giá mô hình để có thể bảo vệ được, chứ không phải để tạo đột phá. Nó có giá thấp hơn mọi mô hình đánh bại nó hơn 50 Elo, và nó thua về giá trị so với ít nhất ba mô hình đánh bại nó về chất lượng. Đó là một đợt ra mắt bình thường, không phải một sự kiện định giá lại.

Ở đây, định tuyến quan trọng ở chỗ giữ cho phép so sánh đó luôn cập nhật thay vì nằm trong một bảng tính. OrcaRouter chạy một API duy nhất cho hơn 200 mô hình và chuyển nguyên giá niêm yết của nhà cung cấp với mức cộng thêm 0%, nên khi một nhà cung cấp như Mistral thay đổi mức giá, con số mà mã của bạn nhìn thấy cũng thay đổi theo, và việc hoán đổi endpoint tổng hợp phía sau một pipeline giọng nói chỉ là thay đổi cấu hình chứ không phải ký thêm hợp đồng thứ hai. Việc Voxtral 3 TTS có thuộc pipeline đó hay không là câu hỏi riêng, tách khỏi việc liệu nó có phải mô hình tốt nhất trên bảng xếp hạng hay không — và trên bảng xếp hạng, hiện tại, nó không phải.

Phần của bản phát hành không phải là một mô hình

Thứ có tác động lớn nhất mà Mistral ra mắt vào ngày 20 tháng 10 có thể không phải là một trong hai mô hình được đánh giá. Dòng sản phẩm này đi kèm một SDK tác nhân thoại xây dựng trên LiveKit, hỗ trợ điện thoại SIP, WebRTC, IVR và tích hợp tổng đài liên hệ, với tuyên bố một lượt tác nhân trọn vẹn dưới một giây và xử lý ngắt lời. Mistral định giá toàn bộ vòng lặp tác nhân — đầu vào giọng nói, suy luận, đầu ra giọng nói — ở mức 0,04 USD mỗi phút khi mô hình suy luận là Mistral Small 4, hoặc 0,08 USD mỗi phút với một mô hình suy luận khác.

Gói theo phút đó là một đơn vị khác với mức giá TTS theo ký tự, và so sánh trực tiếp hai loại này là một sai lầm phổ biến. Một tác nhân thoại nói trong 30 giây của cuộc gọi một phút tiêu thụ khoảng 4,500 ký tự tổng hợp, mà với $13 mỗi triệu ký tự thì chưa đến sáu xu — vì vậy gói $0.04 có sức cạnh tranh so với việc tự lắp ghép các thành phần, miễn là bạn vốn đã muốn mô hình suy luận của Mistral. Gói này cũng là nơi lập luận về failover phát huy tác dụng trong môi trường sản xuất: một tác nhân thoại có endpoint tổng hợp bị chết là một đường dây điện thoại im lặng, và nhánh suy luận của pipeline đó chính xác là kiểu thứ mà một router có tự động chuyển đổi dự phòng được tạo ra để xử lý.

Điều Mistral không phát hành là trọng số mở. Trang Voxtral 3 mô tả quyền truy cập API, các playground của Studio và tự triển khai trên hạ tầng riêng, nhưng không hề nêu rằng có thể tải trọng số xuống. Voxtral TTS ra mắt hồi tháng Ba trên Hugging Face theo CC BY-NC 4.0; không có gì trong bản phát hành này lặp lại điều đó. Nếu tự lưu trữ là một yêu cầu, thế hệ này hiện chưa đáp ứng được điều đó.

Ba điều chưa ai đo lường được

Việc không có con số độ trễ được công bố cho Voxtral 3 TTS là khoảng trống rõ rệt nhất trong tài liệu ra mắt. Mistral đưa ra mức dưới 500 ms cho phiên âm thời gian thực và dưới một giây cho toàn bộ một lượt tác nhân, nhưng không có thời gian đến âm thanh đầu tiên cho quá trình tổng hợp, đây là con số quyết định liệu một tác nhân giọng nói có tạo cảm giác hội thoại hay không. Artificial Analysis báo cáo thời gian tạo trung vị là 7,2 giây và thông lượng trung vị là 112 ký tự/giây, cả hai đều mô tả việc kết xuất theo lô chứ không phải hành vi truyền phát trực tiếp. Mức trung vị 112 ký tự/giây là đáng nể — nhanh hơn 56 của ElevenLabs Eleven v3 và chậm hơn 145 của Sonic 3.6 — nhưng nó không nói lên điều gì về 200 mili giây đầu tiên.

Nhân bản giọng nói là khoảng trống thứ hai. Bản chuyển thể "Pro Voice" của Mistral tái tạo cá tính và dải cảm xúc của một người nói từ 30 phút âm thanh. Đó là một quy trình đạt chuẩn phòng thu, không phải bản sao tức thời mười giây mà Cartesia quảng cáo hay bản sao ba mươi giây mà ElevenLabs cung cấp, và nó định vị Voxtral 3 T​TS cho giọng nói thương hiệu thay vì cho công việc sáng tạo nhân vật do người dùng tạo ra.

Yếu tố thứ ba là sức bền. Tài liệu của chính Mistral không nêu độ dài tạo tối đa cho endpoint T​TS, và các mẫu trong arena đều là clip ngắn. Tường thuật dài là nơi một mô hình Elo xếp giữa bảng vẫn có thể là câu trả lời đúng nếu nó giữ được mạch lạc suốt mười phút, và chưa ai công bố bài kiểm tra đó.

Cách hiểu công bằng về ngày 20 tháng 10 là Mistral đã tung ra một đối thủ chuyển giọng nói thành văn bản thực sự và một mô hình TTS đủ tốt để có mặt trong danh sách rút gọn và đủ rẻ để được thử. Bảng chuyển giọng nói thành văn bản là nơi công ty giành được một dòng tít. Bảng tổng hợp giọng nói là nơi công ty mua được một dòng tít.