Voxtral 3 TTS vs Voxtral 4B TTS: Mô hình mới hơn mà bạn không thể tải xuống

Sự thật trớ trêu về Voxtral 3 T​TS là nó tốt hơn Voxtral 4B T​TS ở gần như mọi khía cạnh có thể đo lường được, và kém hơn ở đúng một điểm quyết định một số triển khai: bạn không thể có được nó. Mistral phát hành Voxtral 4B T​TS vào ngày 23 tháng 3 năm 2026 dưới dạng trọng số mở — mistralai/Voxtral-4B-T​TS-2603 trên Hugging Face, CC BY-NC 4.0, có thể tải xuống và chạy trên accelerator của chính bạn. Voxtral 3 T​TS ra mắt ngày 20 tháng 10 năm 2026 chỉ dưới dạng sản phẩm API. Trang ra mắt mô tả các endpoint EU, US và toàn cầu, các playground Studio và triển khai tự túc trên hạ tầng riêng, và không một lần nào nói rằng trọng số có sẵn. Vậy mà mẫu kế nhiệm sau bảy tháng lại tốt hơn 127 Elo trên bảng nghe mù (1.217 so với 1.090), rẻ hơn 19% ở mức $13 so với $16 mỗi triệu ký tự, và nhanh hơn khoảng 42% ở mức 112 so với 79 ký tự mỗi giây — và nó vẫn không phải là bản thay thế trọn gói cho mô hình mà nó kế nhiệm, bởi mô hình cũ hơn là thành viên duy nhất của dòng này mà một công ty thực sự có thể sở hữu. Những sự cố AI và sự cố agent được ghi chép đằng sau những bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp riêng.

Hai mô hình, bảy tháng, một ranh giới giấy phép

Ranh giới đó đáng được nêu rõ ràng trước bất kỳ phép đánh giá chuẩn nào, vì nó sắp xếp lại toàn bộ việc so sánh.

• Voxtral 4B T​TS — trọng số mở theo CC BY-NC 4.0. Phi thương mại. Bạn có thể tải xuống, kiểm tra, chạy và tinh chỉnh nó; bạn không được phân phối nó trong một sản phẩm trả phí. Hạn chế này được kế thừa từ các bộ dữ liệu giọng tham chiếu đằng sau nó, không phải từ bất kỳ giới hạn kỹ thuật nào của checkpoint. Tự lưu trữ nó để đánh giá nội bộ thì ổn; tự lưu trữ nó trong một dịch vụ thương mại hướng tới khách hàng thì không.

• Voxtral 3 T​TS — đóng. Tính đến ngày 21 tháng 10 năm 2026, không có trọng số nào được công bố. Dòng "Tự triển khai trên hạ tầng riêng hoặc trên một đám mây riêng" trên trang của Mistral là một gói triển khai doanh nghiệp được thương lượng với nhà cung cấp, chứ không phải một liên kết tải xuống, và đánh đồng hai điều này chính là sai lầm dễ mắc nhất khi đọc lướt trang đó.

Hệ quả thực tế: nếu lý do bạn muốn Voxtral 4B T​TS là vì âm thanh không bao giờ rời khỏi mạng của bạn, thì Voxtral 3 T​TS không thay thế được nó trừ khi bạn ký thỏa thuận gì đó với Mistral. Nếu lý do của bạn là nó rẻ hơn một API được lưu trữ, thì Voxtral 3 T​TS thay thế nó về giá và vượt trội hơn về chất lượng, đồng thời câu hỏi về giấy phép biến mất vì bạn đang mua một dịch vụ chứ không phải một tệp. Khoảng cách bảy tháng tương tự được giải quyết theo cách khác nhau tùy thuộc vào câu nào trong hai câu đó mô tả tình huống của bạn.

Bảng tỷ số

• {{1}}Elo giọng nói của nhà cung cấp — Voxtral 3 TTS{{/1}}: 1.217 (#13/98), khoảng tin cậy 95% 1.202–1.232. {{2}}Voxtral 4B TTS{{/2}}: 1.090 (#46), khoảng tin cậy 1.078–1.102. Cả hai theo {{3}}Artificial Analysis{{/3}}, truy cập ngày 21 tháng 10 năm 2026.

• Giá cho 1 triệu ký tự — 13,00 USD so với 16,00 USD. Với khoảng 900 ký tự mỗi phút nói, 0,70 USD so với 0,86 USD mỗi giờ.

• Thông lượng — trung vị 112 ký tự/giây so với 79, được Artificial Analysis đo trên máy chủ gốc của từng mô hình.

• Ngôn ngữ — Voxtral 3 T​TS: 35+ ngôn ngữ và 50+ phương ngữ, preset ở 18 ngôn ngữ. Voxtral 4B T​TS: 9 ngôn ngữ — tiếng Anh, tiếng Pháp, tiếng Đức, tiếng Tây Ban Nha, tiếng Hà Lan, tiếng Bồ Đào Nha, tiếng Ý, tiếng Hindi, tiếng Ả Rập, có hỗ trợ phương ngữ.

• Thích ứng giọng nói — Voxtral 3 TTS: "Pro Voice", 30 phút âm thanh. Voxtral 4B TTS: lời nhắc tham chiếu dài 5–25 giây, được mô tả trong thẻ mô hình là chỉ từ 3 giây.

• Trọng số — đóng so với mở (CC BY-NC 4.0).

Dòng ngôn ngữ là thay đổi lớn nhất mà chưa ai viết về. Voxtral 4B TTS bao phủ chín ngôn ngữ; mô hình mới tuyên bố 35+ ngôn ngữ và 50+ phương ngữ. Đó là sự mở rộng gấp bốn lần của sản phẩm, và là lý lẽ mạnh hơn cho việc nâng cấp so với Elo — 127 điểm đưa bạn từ giữa bảng lên giữa bảng, nhưng đi từ chín ngôn ngữ lên ba mươi lăm ngôn ngữ sẽ thay đổi những thị trường bạn có thể bán vào.

Mảng thích ứng giọng nói lại diễn ra theo chiều ngược lại và đây là một điểm thoái bộ thực sự. Voxtral 4B TTS sao chép giọng từ một clip tham chiếu ngắn — chỉ ba giây theo model card, với kiến trúc mô tả cửa sổ prompt 5–25 giây. Pro Voice của Voxtral 3 TTS cần ba mươi phút âm thanh để tái tạo đặc tính, phạm vi cảm xúc và phong cách của người nói trên nhiều ngôn ngữ. Ba mươi phút là một buổi thu phòng thu. Ba giây là một tính năng. Nếu sản phẩm của bạn cho phép người dùng nghe chính giọng mình, mô hình mới hơn làm việc này kém hơn.

4B thực sự là gì, xét về bên trong

Số lượng tham số trong tên của mô hình cũ mô tả một kiến trúc có thật, và nó giải thích cả những điểm mạnh của kiến trúc đó lẫn lý do vì sao mô hình kế nhiệm không chỉ đơn thuần là một phiên bản lớn hơn của nó.

Voxtral 4B TTS có khoảng bốn tỷ tham số trong ba phần: một xương sống bộ giải mã transformer 3,4B dựa trên Ministral 3B, một transformer âm học flow-matching 390M và một codec âm thanh nơ-ron 300M. Mô hình tự hồi quy trên một codec VQ ngữ nghĩa với từ vựng 8.192 token, đưa vào một đầu flow-matching dự đoán các đặc trưng FSQ âm học trên 36 chiều ở 21 mức, chạy ở 12,5 Hz. Nói một cách đơn giản: một mô hình ngôn ngữ nhỏ đọc văn bản và lập kế hoạch, một mạng flow-matching biến kế hoạch đó thành đặc trưng âm thanh, và một codec biến đặc trưng thành mẫu. Nó tạo ra tối đa hai phút ngay từ đầu, còn đầu ra dài hơn được xử lý bằng cách xen kẽ trong API.

Con số được Mistral công bố cho mô hình tháng 3 là độ trễ mô hình 70 mili giây đối với một mẫu giọng nói 10 giây và 500 ký tự, ở hệ số thời gian thực khoảng 9,7 lần. Những con số đó được đo trên ngăn xếp phục vụ của Mistral, không phải đo độc lập, và chúng mô tả một mô hình thực sự nhanh so với thế hệ của nó. Thông lượng của mô hình tháng 10 trên Artificial Analysis, 112 ký tự mỗi giây so với 79, cho thấy mô hình kế nhiệm còn nhanh hơn nữa — nhưng Mistral hoàn toàn không công bố thời gian đến âm thanh đầu tiên cho Voxtral 3 T​TS, một sự thiếu sót kỳ lạ đối với một công ty mà mô hình T​TS trước đó đã dẫn đầu bằng một con số độ trễ.

Hai thế hệ kiến trúc cũng có thể thấy được qua số lượng ngôn ngữ. Chín ngôn ngữ vào tháng Ba, hơn ba mươi lăm vào tháng Mười, với các mô hình phiên âm của dòng này tuyên bố hỗ trợ đủ 24 ngôn ngữ chính thức của EU. Bất cứ điều gì đã thay đổi giữa hai checkpoint đều đã thay đổi dữ liệu huấn luyện và độ phủ của tokenizer nhiều hơn hẳn so với mức thay đổi của ngăn xếp âm học.

Ai nên giữ 4B và ai nên chuyển đi

Hãy giữ Voxtral 4B T​TS nếu bất kỳ điều nào sau đây là đúng. Bạn cần âm thanh được xử lý trên phần cứng do bạn kiểm soát và bạn không thể thương lượng một phương án triển khai riêng. Bạn đang nghiên cứu hoặc đánh giá, trong đó CC BY-NC 4.0 cho phép sử dụng và giấy phép không tốn phí. Bạn cần nhân bản giọng nói với mẫu tham chiếu ngắn — ba giây so với ba mươi phút không phải là một sự so sánh sát nút. Bạn đang làm việc bằng một trong chín ngôn ngữ mà nó hỗ trợ và chất lượng là đủ, trong trường hợp đó, một checkpoint miễn phí mà bạn đã chạy có giá trị hơn một checkpoint tốt hơn mà bạn phải gọi.

Chuyển sang Voxtral 3 TTS nếu bất kỳ điều nào sau đây đúng. Bạn đang bán đầu ra và do đó vốn dĩ chưa bao giờ được phép tự triển khai mô hình 4B cho mục đích thương mại — trong trường hợp đó, bạn đã dùng API $0,016 mỗi nghìn ký tự, và mức $13 mỗi triệu mới rẻ hơn 19% cho một mô hình tốt hơn 127-Elo, đây là nâng cấp dễ nhất trong bài này. Bạn cần một ngôn ngữ nằm ngoài chín ngôn ngữ ban đầu. Bạn cần ngăn xếp tác nhân: Voxtral 3 TTS đi kèm SDK tác nhân thoại dựa trên LiveKit, hỗ trợ SIP và WebRTC, lượt tác nhân dưới một giây và giá gói theo phút $0,04 với suy luận Mistral Small 4, không thứ nào trong số đó tồn tại quanh mô hình tháng 3.

Có một nhóm thứ ba nên chạy cả hai, và nhóm này lớn hơn vẻ ngoài của nó: những đội tạo nguyên mẫu trên checkpoint mở và phục vụ trên API. Voxtral 4B T​TS cho bạn một mô hình cục bộ để thử nghiệm prompt, giọng nói và các chế độ lỗi mà không tốn chi phí mỗi lần gọi và không có dữ liệu nào rời khỏi nội bộ; Voxtral 3 T​TS cho bạn endpoint production với độ phủ ngôn ngữ và giấy phép để bán. Hai mô hình có chung dòng dõi nhưng không chung bề mặt API, vì vậy hãy chuẩn bị cho việc các prompt sẽ cần được tinh chỉnh lại — khoảng cách chất lượng 127 điểm là một mô hình khác, không phải một bản nâng cấp phiên bản, và các điều khiển hướng đã hoạt động theo một cách trên 4B sẽ không nhất thiết chuyển giao được.

Nếu luồng sản xuất cần chịu được sự cố của nhà cung cấp, đó chính là lý do để đặt lệnh gọi tổng hợp phía sau một router thay vì gọi trực tiếp Mistral. OrcaRouter cung cấp một endpoint tương thích OpenAI trên hơn 200 mô hình với giá niêm yết của nhà cung cấp được chuyển tiếp ở mức 0% phụ phí, nên sự cố trên một backend tổng hợp sẽ được chuyển sang phương án dự phòng thay vì rơi vào im lặng — và một pipeline thoại kết xuất các lô qua đêm chính là loại khối lượng công việc mà một endpoint chết gây tốn một đêm thay vì một yêu cầu. Các mô hình của Mistral có thể truy cập qua API riêng của Mistral và một số nền tảng bên thứ ba; hãy kiểm tra danh mục để biết tình trạng sẵn có hiện tại trước khi thiết kế xoay quanh một ID mô hình cụ thể.

Câu hỏi mà Mistral chưa trả lời

Liệu Voxtral 3 T​TS có được mở trọng số không? Mô hình tháng Ba thì có, theo giấy phép phi thương mại, và nó đã trở thành điểm tham chiếu cho việc một checkpoint T​TS mở từ một phòng thí nghiệm châu Âu trông như thế nào. Không có gì trong đợt ra mắt tháng Mười lặp lại điều đó. Trang đó nói rõ về quyền truy cập API và triển khai riêng tư nhưng im lặng về việc tải xuống, đây cũng là mô thức Mistral đã dùng cho một số mô hình văn bản của mình trước khi phát hành trọng số vài tháng sau.

Nếu trọng số thực sự được phát hành, so sánh sẽ thay đổi hoàn toàn: các điều khoản giấy phép sẽ quyết định liệu mô hình mở có dùng được về mặt thương mại hay không, và tiền lệ — CC BY-NC 4.0 — cho thấy là không. Điều đó sẽ khiến tình hình gần như hiện nay, khi mô hình có thể tải xuống chỉ là một sản phẩm nghiên cứu còn mô hình dùng được là một dịch vụ.

Câu hỏi chưa được trả lời còn lại là liệu 4B có giữ được niêm yết API của mình hay không. Bảng giá dịch vụ giọng nói của Mistral liệt kê dòng mới và không đề cập đến mô hình tháng 3, trong khi Artificial Analysis vẫn theo dõi nó ở mức 16 đô la với một máy chủ đang hoạt động. Trong lịch sử, Mistral đã giữ các mô hình giọng nói cũ có thể gọi được trong một thời gian dài; nếu điều đó vẫn đúng, các nhóm có một phương án dự phòng thực sự hữu ích — một mô hình kém hơn một chút, đắt hơn một chút nhưng vẫn là một triển khai khác. Nếu không, bất kỳ ai đã xây dựng trên voxtral-mini-tts-latest vào tháng 3 cần kiểm tra xem bí danh đó hiện phân giải thành mô hình nào trước hóa đơn tiếp theo của họ.

Bản ngắn gọn: Voxtral 3 TTS là mô hình tốt hơn và là tài sản kém hơn. Hãy mua nó vì ngôn ngữ, chất lượng và ngăn xếp agent; giữ Voxtral 4B TTS cho công việc cục bộ, nhân bản giọng nói với mẫu tham chiếu ngắn và chín ngôn ngữ mà nó vốn đã làm tốt. Bước chuyển đổi duy nhất chắc chắn đúng là từ API được lưu trữ của 4B sang API mới — cùng nhà cung cấp, cùng lập trường cấp phép, rẻ hơn và tốt hơn — và đây là động thái duy nhất trong so sánh này không tốn gì để thực hiện.