Voxtral 3 vs Gemini 3.5 Transcribe: Mistral nói họ thắng về từ ngữ — Google thắng ở phần còn lại

Trên chỉ số duy nhất mà cả hai nhà cung cấp đều đồng ý công bố, hai mô hình này chỉ cách nhau một sợi tóc. Voxtral Small Transcribe 3 — mô hình phiên âm hàng đầu của Mistral thuộc dòng Voxtral 3 ra mắt ngày 20 tháng 10 năm 2026 — đạt tỷ lệ lỗi từ 2,1% trên bảng xếp hạng không truyền trực tuyến của Artificial Analysis. G​emini 3.5 Transcribe, mô hình mà G​oogle đã cung cấp ở trạng thái sẵn sàng chung kể từ ngày 26 tháng 8 năm 2026, đạt 2,6% trên cùng bảng đó. Năm phần mười điểm tương đương khoảng năm lỗi thừa trên mỗi nghìn từ. Đó không phải lý do để chọn cái này thay vì cái kia. Lý do nằm ở mọi thứ phía trên phần từ ngữ: G​emini tách người nói (diarization) cho tám người, nhận tới một nghìn thuật ngữ từ vựng tùy chỉnh, dọn dẹp các từ ngập ngừng và xử lý các chỗ tự sửa lời trong một lượt, đồng thời bao phủ hơn 85 vùng ngôn ngữ. Voxtral tách người nói tốt hơn một cách rõ rệt theo bảng của chính mình, hỗ trợ hơn 50 ngôn ngữ và có mức giá mỗi phút thấp hơn G​oogle. Trang này bàn về việc những khác biệt nào trong số đó thực sự đi tới pipeline của bạn. Tỷ lệ lỗi từ không ghi lại cách API phiên âm của mỗi nhà cung cấp hỏng khi chịu tải, và những sự cố đó được ghi nhận trong the OrcaRouter AI Incident Archive nơi mỗi mục đi kèm nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Mỗi cái đang bán gì

Cách định vị của Mistral cho Voxtral Small Transcribe 3 là độ chính xác cùng khả năng quy gán người nói. Đây là “mô hình chủ lực về chuyển giọng nói thành văn bản và phân tách người nói” trong dòng mô hình, hỗ trợ dấu thời gian và phân tách người nói một cách tích hợp sẵn, đồng thời cũng làm dịch, hỏi đáp bằng giọng nói, tóm tắt và gọi hàm — một cách nói kín đáo rằng đây là mô hình ngôn ngữ âm thanh có khả năng chuyển giọng nói thành văn bản chứ không phải một công cụ chuyên chuyển giọng nói thành văn bản. Với giá $0.004 mỗi phút và ngữ cảnh 32k, nó được định giá như một lựa chọn thay thế trực tiếp cho các API chuyển giọng nói thành văn bản được quản lý.

Cách Google định hình Gemini 3.5 Transcribe là tập trung vào những gì xảy ra với bản ghi sau khi nhận dạng. Chế độ `verbatim` mặc định giữ lại các từ đệm, khởi đầu sai và lặp lại; chế độ `smart` loại bỏ chúng và áp dụng định dạng có cấu trúc; từ vựng tùy chỉnh thiên về thuật ngữ của bạn; dấu thời gian ở cấp độ từ được trả về dưới dạng chú thích; và nhãn người nói xuất hiện dưới dạng `spk_1`, `spk_2`, v.v. Nó chạy qua Interactions API cho tệp và một SKU riêng `gemini-3.5-transcribe-live` cho phát trực tuyến, đồng thời có gói miễn phí mà Mistral không cung cấp.

Nói một cách đơn giản: Mistral đang bán cho bạn một đôi tai thính hơn, còn G​oogle đang bán cho bạn một trình biên tập tốt hơn.

Từng chiều một

• Độ chính xác độc lập — Voxtral Small Transcribe 3 đạt 2,1% AA-WER so với Gemini 3.5 Transcribe đạt 2,6%, cả hai đều trên bảng xếp hạng không streaming của Artificial Analysis. Bảng FLEURS của chính Mistral đưa ra khoảng cách rộng hơn: 4,1% ở chế độ ngôn ngữ bị ép buộc cho Voxtral so với 6,1% cho Gemini, nhưng chỉ 4,0% so với 4,5% khi dùng ngôn ngữ suy luận. Bảng xếp hạng độc lập đồng tình với cách đọc dựa trên ngôn ngữ suy luận, vì vậy hãy coi con số 6,1% là điểm còn bỏ ngỏ của bảng Mistral chứ không phải là tiêu đề chính.

• Giá — $0,004/phút so với $0,005/phút, cả hai đều là mức giá niêm yết tổng hợp. Tức là $240 so với $300 cho mỗi nghìn giờ âm thanh. Điều đó là thật, nhưng không mang tính quyết định nếu xét riêng; mức chênh 20% có thể bị xóa sạch chỉ bằng một lần chạy lại một lô bị lỗi.

• Gán nhãn người nói — Voxtral Small Transcribe 3 đạt 18,4% WER ghép nối hoán vị tối thiểu trên bộ đánh giá của Mistral, so với G​emini 3.5 Transcribe ở mức 38,4% trên cùng bảng của nhà cung cấp. Đây là khoảng cách lớn nhất trong bài đăng ra mắt và là khoảng cách có khả năng quan trọng nhất. Cần lưu ý một cách trung thực: cả hai con số đều do Mistral đưa ra, được chạy trên bộ đánh giá của Mistral, và G​oogle chưa công bố điểm phân tách người nói tương đương nào để đối chiếu. Tài liệu của G​oogle có nêu rõ một giới hạn cứng không phải là kết quả đánh giá chuẩn — tám người nói, với việc gán nhãn "thử nghiệm" cho từ ba người trở lên — mà đối với phiên âm cuộc họp, đó là giới hạn sản phẩm, chứ không phải câu hỏi về chất lượng.

• Phạm vi ngôn ngữ — Voxtral: 50+ ngôn ngữ, bao gồm toàn bộ 24 ngôn ngữ chính thức của EU và một nhóm ngôn ngữ châu Á và Ấn Độ ít tài nguyên. Gemini: 85+ ngôn ngữ/khu vực với gợi ý BCP-47 và chuyển mã trong câu. Danh sách của Google dài hơn và quan trọng hơn là có nêu tên cụ thể — bạn có thể kiểm tra xem ngôn ngữ/khu vực của mình có nằm trong đó không. Con số "50+" của Mistral chỉ là số lượng mà không có danh sách.

• Giới hạn âm thanh — G​emini giới hạn âm thanh unary ở một giờ, hoặc ba mươi phút khi bạn yêu cầu phân tách người nói hoặc dấu thời gian theo từng từ. Mistral không công bố giới hạn độ dài âm thanh tối đa nào cho Voxtral Small Transcribe 3. Sự im lặng đó không phải là một tính năng. Nếu bạn xử lý tệp dài, G​emini là lựa chọn duy nhất trong hai bên mà bạn có thể định cỡ hàng đợi công việc dựa trên đó mà không cần hỏi bộ phận kinh doanh.

• Kiểm soát từ vựng — Gemini chấp nhận tối đa 1.000 thuật ngữ tùy chỉnh (kết quả tốt nhất đạt được với tối đa khoảng 100) và cảnh báo rõ rằng không thể kết hợp từ vựng tùy chỉnh với tính năng phân tách người nói hoặc dấu thời gian từng từ. Context biasing của Voxtral nhận các thuật ngữ chính và văn bản tự do, và Mistral báo cáo độ thu hồi cụm từ khóa đạt 94,6% khi có prompt so với 81,4% khi không có. Hãy lưu ý bản chất của tuyên bố đó: đây là độ thu hồi khi có bias, không phải lỗi khi có bias, và do nhà cung cấp báo cáo.

• Xử lý tự sửa lời — chế độ `smart` của G​emini xử lý các chỗ tự sửa lời và chuẩn hoá số và tiền tệ khi nói. Mistral không cung cấp chế độ tương đương nào được ghi nhận trong tài liệu. Nếu âm thanh của bạn là phỏng vấn hoặc lời nói ở tổng đài đầy những câu "khoan đã, ý tôi là", thì đây là tính năng duy nhất có khả năng cao nhất quyết định lựa chọn.

• Phát trực tuyến — Gemini có SKU trực tiếp với mức giá tổng hợp khoảng $0.009/phút. Gói phát trực tuyến của Voxtral là một mô hình khác, Voxtral Mini Transcribe Realtime 3, với giá $0.008/phút và độ trễ có thể cấu hình từ 80 đến 2.400 ms. Mô hình phát trực tuyến của cả hai nhà cung cấp đều không phải là mẫu hàng đầu về độ chính xác, nên việc so sánh độ chính xác của phát trực tuyến với các con số theo lô ở trên là một lỗi so sánh khập khiễng.

• Mức độ trưởng thành — Gemini 3.5 Transcribe đã GA từ ngày 26 tháng 8 năm 2026 và có điểm WER độc lập trên một bảng công khai. Voxtral Small Transcribe 3 đang ở giai đoạn xem trước công khai kể từ ngày 20 tháng 10 năm 2026, không có lịch sử thời gian hoạt động, không có ngày GA và không có cam kết công bố nào rằng mức giá xem trước của nó sẽ được giữ nguyên.

Số diarization là số cần kiểm tra.

Nếu có một câu duy nhất trong so sánh này khiến bạn phải quay về với âm thanh của chính mình, thì đó là câu này: Mistral tuyên bố lỗi phân tách người nói là 18.4% so với 38.4% của Gemini, còn Google không công bố con số đối chứng nào. Đó là một khoảng cách lớn đến đáng ngờ đối với một khác biệt về hạng độ chính xác — 2.1% so với 2.6% trên phiên âm thông thường không dự báo được khoảng cách 2× trong gán người nói. Có hai cách giải thích và chỉ dữ liệu của bạn mới phân biệt được chúng. Hoặc là khả năng phân tách người nói của Gemini thực sự yếu hơn, điều này sẽ khớp với giới hạn tám người nói đã được ghi nhận và ghi chú “thử nghiệm” cho ba người nói trở lên của nó, hoặc là khung đánh giá của Mistral tô hồng mô hình của chính họ theo cách mà một lần chạy lại trung lập sẽ không tái tạo được.

Bài kiểm tra thực tế: lấy bốn mươi phút âm thanh nhiều người nói tệ nhất mà bạn có — nói chồng chéo, một người nói qua đường điện thoại, ít nhất một chỗ hai người nói chồng tiếng lên nhau — chạy cả hai, và đếm số lần chuyển người nói thay vì lỗi từ. Việc đó chỉ mất một buổi chiều và sẽ dứt điểm một khẳng định mà không nhà cung cấp nào có thể thay bạn kết luận.

Bản ghi thực sự tốn bao nhiêu khi mở rộng quy mô

Hãy làm phép tính cho một tổ chức hỗ trợ ghi âm 4.000 giờ mỗi tháng. Với $0.004/phút, Voxtral Small Transcribe 3 tốn $960. Với $0.005/phút, G​emini 3.5 Transcribe tốn $1,200. Khoảng chênh lệch $240 mỗi tháng là có thật và xấp xỉ chi phí một giờ công kỹ sư mỗi ngày làm việc, đây là cách đúng để cân nhắc nó: có ý nghĩa khi so với một giải pháp thay thế tự vận hành mà chi phí vận hành không tốn gì của bạn, không đáng kể nếu chế độ `smart` của G​emini loại bỏ một bước xử lý hậu kỳ mà nếu không bạn sẽ phải trả tiền.

Bước hậu xử lý đó chính là nơi phép so sánh giá thường bị sai lệch. Một bản ghi thô có các từ đệm và những chỗ tự đính chính chưa được giải quyết cần một lượt dọn dẹp — hoặc là một lớp regex do bạn duy trì, hoặc một lần gọi LLM cho mỗi tệp. Còn một bản ghi đã được dọn sạch, có dấu câu và gắn nhãn người nói từ G​emini thì không. Nếu pipeline của bạn hiện đang tốn một lần gọi mô hình ngôn ngữ cho mỗi bản ghi để sửa định dạng, hãy tính cả lần gọi đó vào phép so sánh trước khi bạn kết luận Mistral rẻ hơn 20%.

Với những đội muốn có cả hai — tính năng tách người nói của Mistral trên các cuộc gọi nơi người nói là quan trọng, và bước làm sạch của G​emini trên kho lưu trữ khối lượng lớn — ràng buộc thường nằm ở khóa API và nhà cung cấp chứ không phải tiền. Danh mục mô hình của OrcaRouter hiện chưa bao gồm Voxtral 3 hay G​emini 3.5 Transcribe, nên sự kết hợp cụ thể này vẫn đồng nghĩa với hai hợp đồng. Chỗ chúng tôi có thể hỗ trợ là lớp phía trên: mô hình suy luận tóm tắt hoặc định tuyến các bản ghi đó có thể đến từ một điểm cuối duy nhất với cơ chế chuyển đổi dự phòng tự động, nhờ đó lựa chọn nhà cung cấp giọng nói không còn khóa luôn lựa chọn mô hình hạ nguồn của bạn.

Phán quyết

Chọn Voxtral Small Transcribe 3 nếu vấn đề của bạn là người nói và ngôn ngữ của bạn là tiếng châu Âu — tuyên bố về phân tách người nói, 24 ngôn ngữ EU và mức giá thấp hơn 20% đều chỉ về cùng một hướng, và WER 2,1% trên một bảng độc lập nghĩa là bạn không phải đánh đổi độ chính xác để có được điều đó. Chọn G​emini 3.5 Transcribe nếu vấn đề của bạn là chính bản ghi chép: tự sửa lỗi, định dạng, một danh sách locale được đặt tên đồ sộ và giới hạn độ dài âm thanh được công bố mà bạn có thể dựa vào để lập kế hoạch dung lượng. Điều duy nhất tôi sẽ không làm là chọn dựa trên khoảng cách WER 0,5 điểm. Khoảng cách đó nhỏ hơn phương sai giữa các lần chạy trên bất kỳ bảng nào, và cả hai nhà cung cấp đều công bố con số có lợi cho mình từ cùng một nhóm bài đánh giá.

Câu hỏi mở là điều gì sẽ xảy ra khi Voxtral Small Transcribe 3 rời giai đoạn preview. Nếu Mistral giữ mức $0.004 và một lần chạy lại diarization độc lập xác nhận khoảng cách 18 điểm, thì đây không còn là quyết định sát nút nữa đối với bất kỳ ai làm phân tích cuộc họp hoặc cuộc gọi. Nếu giá thay đổi ở GA, lý do sẽ thu hẹp lại chỉ còn độ phủ ngôn ngữ và gán người nói.