Mistral 的 Voxtral 3 推出排名第 3 的转写模型和一款 13 美元的语音服务

首先要看的数字是 2.1%。这是 Artificial Analysis 为 Voxtral Small Transcribe 3测得的词错误率，使 Mistral 的新识别器在截至 2026 年 10 月 21 日的独立语音转文本榜单上位列第三——仅落后于阿里巴巴的 Fun-Realtime-ASR-preview（1.7%）和 Microsoft 的 MAI-Transcribe-2（2.0%），并领先于 ElevenLabs Scribe v2（2.2%）。同样于 10 月 20 日发布的还有 Voxtral 3 TTS，这是一个定价为每百万字符 13 美元的合成模型，在 Provider Voice 竞技场中排名第 13，在 Controlled Voice 竞技场中排名第 14。这些结果中，一个是真正在榜单上向上迈进；另一个则是定价激进、表现合格的中游选手，而两者在发布时被如何宣传与实际得分之间的差距，才是这次发布中最有价值的信息。像这次发布这样的产品背后，有记录的 AI 故障和智能体事件都收集在 OrcaRouter AI 事件档案中，每条条目都附有自己的来源、严重程度、置信度评级和争议标记。

下文将三类说法区分开来：来自 {{KEEP}}Artificial Analysis{{/KEEP}} 盲听与转录榜单的数字（独立来源）、来自 {{KEEP}}Mistral{{/KEEP}} 自家发布页的数字（厂商自报），以及此处依据公开价格所做的算术推算。这三者不可互换，而发布页的呈现方式恰恰很容易让人将它们混为一谈。

转录结果才是真正让 Mistral 在排行榜上攀升的那一项

Voxtral Small Transcribe 3 是这个由四款模型组成的家族中的旗舰，也是本次发布中唯一一个凭借独立评分直接击败现有领先者的成员。它以 2.1% 的词错率（WER）落后微软的 MAI-Transcribe-2 0.1 个百分点，领先 Scribe v2 0.1 个百分点——这样的差距完全落在单一评测集的噪声范围之内，却足以让 Mistral 跻身榜首之争的讨论之中，而非留在追赶者的行列里。

速度数据是更令人意外的另一半。Artificial Analysis 测得 Voxtral Small Transcribe 3 的速度因子中位数为 66.6，而排名第一的 Fun-Realtime-ASR-preview 为 20.3，MAI-Transcribe-2 为 308.8。通俗地说，Mistral 的模型每消耗一分钟计算资源大约可转写 67 分钟音频——比 Microsoft 的慢，速度只有其四分之一；比 A​libaba 的快，速度是其三倍。便宜、准确且速度中等偏慢，对于批量转写来说是非常理想的组合；但对任何交互式用途都不合适，这就是 Mistral 另行销售一款实时模型的原因。

该系列产品于10月20日发布时的状态：

• Voxtral Small Transcribe 3 — 支持 50+ 种语言、说话人分离、上下文偏置，每分钟 $0.004（每 1,000 分钟 $4.00）。精准之选。

Voxtral Mini Transcribe 3 —— 40 亿参数，支持 50 多种语言，每分钟 $0.0035。在同一榜单上，其词错误率（WER）为 2.2%——与 Small 模型在统计上不相上下，而费用却低 12.5%，这让 Small 档位的溢价仅凭准确率难以站得住脚。

• Voxtral Mini Transcribe Realtime 3 — 流式传输，宣称延迟低于 500 毫秒，每分钟 $0.008。Mistral 自家页面在两个不同位置针对该模型分别写着“35+ 种语言”和“40+ 种语言”；外部还没有人测试过哪个说法是对的。

• Voxtral 3 TTS — 批量和实时合成，每百万字符 13 美元，支持 35 种以上语言和 50 种以上方言。Mistral 定价表称其为“Voxtral Speech 3”，文档中列出的模型名称为voxtral-mini-tts-3-0。

在 Mistral 自己的 FLEURS 45 评估中，Voxtral Small Transcribe 3 报告称，强制指定语言时 WER 为 4.1%，自动推断语言时 WER 为 4.0%。这与 Artificial Analysis 运行的基准不同，因此厂商页面显示 4%，而独立榜单显示 2.1%。两个数字都没有错；在同一句话中引用它们却不说明哪个对应哪个，正是发布报道容易出错的地方。Mistral 还声称，在其对比集合中，说话人分离错误率最低，为 18.4% cpWER；使用上下文偏置时，关键词组召回率为 94.6%，而未使用时为 81.4%——该数据由厂商报告，尚未复现。

语音模型处于中游水平，真正在替你说话的是价格。

Mistral 的社交帖子将 TTS 的发布描述为跻身两个文本转语音竞技场的前十二名。10 月 21 日的实时榜单呈现的情况则略温和一些：Voxtral 3 TTS 在 Provider Voice 上以 1,217 Elo 位列第 13（95% 区间为 1,202–1,232，并列区间覆盖第 11 至第 17 名），在 Controlled Voice 上以 1,066 Elo 位列第 14（并列区间覆盖第 10 至第 19 名）。换句话说，它在两个榜单上都处于前十五名——而且置信区间与另外五个模型重叠，因此确切排名并不是一个稳定的事实。这是该模型上榜的第二天，其样本量（1,619 次比较）远低于领先者已经积累的 3,000+ 次。

稳定的是邻近区间。以 1,217 Elo 的成绩，Voxtral 3 T​TS 与 Realtime T​TS-2 Flash 和 StepAudio 2.5 T​TS 持平，领先于 1,182 的 ElevenLabs Eleven v3，落后于 1,289 的 Cartesia Sonic 3.6、1,299 的 Q​wen-Audio-3.1-T​TS-Plus 以及 1,328 的 ElevenLabs Eleven v4。

关于那个排名位置，有两点值得直说。第一，Voxtral 3 TTS 对 Mistral 来说是一次明显的代际提升：2026 年 3 月的 Voxtral TTS 在同一榜单上得分为 1,090，因此这次提升了 127 分。第二，这一跃升并没有缩小与前沿的差距。Mistral 之前的模型落后很多；新模型则处于中游。

每百万字符13美元实际能换来什么

价格是这次发布中真正有意思的地方，也是直接照字面读新闻稿会误导你的地方。按每百万字符 13 美元计算，Voxtral 3 TTS 生成语音的成本约为每小时 0.70 美元，假设每分钟语音大约有 900 个字符。Cartesia Sonic 3.6 按 49 美元计为每小时 2.65 美元，ElevenLabs Eleven v4 按 80 美元计为每小时 4.32 美元，Qwen-Audio-3.0-TTS-Plus 按 19.31 美元计为每小时 1.04 美元。与高端档位相比，节省幅度确实很大。

在性价比档位上，它算不上完胜。Simba 3.2 以 1,245 Elo 排在第 10 位——比 Voxtral 3 T​TS 高 28 分——价格为每百万字符 6.6 美元，仅为其一半。Realtime T​TS-2 Flash 以 10.4 美元获得同样的 1,217 Elo。Gemini 3.8 Flash-Lite T​TS 以 11 美元获得 1,250 分。按粗略的每美元 Elo 比率——该比率将 Elo 视为线性，而实际上并非如此，因此应被理解为粗略排序而非测量——Voxtral 3 T​TS 约为每美元 94 分，而 Simba 3.2 为 189，Realtime T​TS-2 Flash 为 118。

诚实的总结是，Mistral 给这款模型的定价是为了让它站得住脚，而不是为了颠覆市场。它的价格低于每一个在 Elo 上比它高出 50 分以上的模型，而在性价比上，它又输给至少三个在质量上胜过它的模型。这是一次常规发布，而不是一次重新定价事件。

路由在这里的关键作用，是让这种比较保持实时，而不是停留在电子表格里。OrcaRouter 通过一个 API 覆盖 200+ 个模型，以 0% 加价透传提供商标价，因此当像 Mistral 这样的供应商调整费率时，你的代码看到的数字也会随之变化；而在语音管道背后更换合成端点，只是配置变更，而不是另签一份合同。Voxtral 3 TTS 是否属于那条管道，与它是否是榜单上最好的模型，是两个不同的问题——而且就榜单而言，今天它并不是。

发布内容中不是模型的部分

Mistral 在 10 月 20 日发布的最具影响的东西，可能并非那两个被评分的模型。该系列还附带一套基于 LiveKit 构建的语音智能体 SDK，支持 SIP 电话、WebRTC、IVR 以及联络中心集成，并声称完整智能体轮次可在一秒内完成，且具备打断处理能力。对于整个智能体循环——语音输入、推理、语音输出——Mistral 的定价为：当推理模型为 Mistral Small 4 时每分钟 0.04 美元，若换用其他推理模型则为每分钟 0.08 美元。

那个按分钟计费的套餐与按字符计费的 TTS 费率是不同单位，直接比较两者是常见错误。一个在一分钟通话中讲话 30 秒的语音代理，大约会消耗 4,500 个字符的合成量；按每百万字符 13 美元计算，这不到 6 美分——因此，只要你本来就想要 Mistral 的推理模型，0.04 美元的套餐与自行拼装各部分相比是有竞争力的。这个套餐也正是故障转移论点在生产中体现价值的地方：一个合成端点已失效的语音代理，就是一条无声的电话线，而该流水线中的推理环节，正是带有 自动故障转移的路由器所要处理的事情。

Mistral 此次没有提供的，是开放权重。Voxtral 3 的页面介绍了 API 访问、Studio playground 以及在私有基础设施上的自部署，但从未说明权重可供下载。三月的 Voxtral T​TS 以 CC BY-NC 4.0 许可在 Hugging Face 上发布；本次发布没有任何内容延续这一点。如果自托管是硬性需求，这一代产品目前无法满足。

还没人测量过的三件事

Voxtral 3 TTS 未公布延迟数据，这是发布材料中最明显的缺口。Mistral 给出的实时转写延迟低于 500 毫秒，完整一轮智能体交互低于 1 秒，但没有给出语音合成的首音频时间，而正是这个数字决定语音智能体是否具有对话感。Artificial Analysis 报告的中位生成时间为 7.2 秒，中位吞吐量为每秒 112 个字符，这两个指标描述的都是批处理渲染，而非流式行为。每秒 112 个字符的中位数相当可观——快于 ElevenLabs Eleven v3 的 56，慢于 Sonic 3.6 的 145——但它对最初的 200 毫秒只字未提。

语音克隆是第二个缺口。Mistral 的“Pro Voice”适配能从 30 分钟的音频中复现说话者的特质和情感范围。这是录音棚级流程，而不是 Cartesia 宣传的十秒即时克隆或 ElevenLabs 提供的三十秒克隆；它让 Voxtral 3 T​TS 面向品牌声音，而非用户生成的角色创作。

第三点是持久性。Mistral 自己的材料没有说明 TTS 端点的最大生成长度，而竞技场样本都是短片段。长篇旁白正是中游 Elo 模型仍可能成为正确答案的场景——前提是它能在十分钟内保持连贯，而还没有人公布过这项测试。

对10月20日的公允解读是：Mistral 推出了一款真正的转录竞品，以及一个足够好到能进入候选名单、也足够便宜到值得一试的 T​TS 模型。转录榜是这家公司赢得头条的地方；语音合成榜则是它买来头条的地方。