Voxtral 3 TTS 对比 Voxtral 4B TTS：你无法下载的更新模型

关于Voxtral 3 T​TS的尴尬事实是，它比Voxtral 4B T​TS在几乎所有可衡量的方面都更好，但在决定某些部署方式的那一点上却更差：你无法拥有它。Mistral 于 2026 年 3 月 23 日以开放权重形式发布了 Voxtral 4B T​TS——mistralai/Voxtral-4B-T​TS-2603在 Hugging Face 上，采用 CC BY-NC 4.0 许可，可下载并在你自己的加速器上运行。Voxtral 3 T​TS 于 2026 年 10 月 20 日仅作为 API 产品推出。发布页面介绍了欧盟、美国和全球端点、Studio 实验场以及在私有基础设施上的自部署，却从未提到权重可用。因此，这个七个月后的继任者在盲听榜上高出 127 Elo（1,217 对 1,090），价格便宜 19%——每百万字符 13 美元对 16 美元——速度约快 42%——每秒 112 对 79 字符——而且它仍然不能直接替代它所取代的模型，因为较旧的那个是这一系列中企业真正能拥有的唯一成员。像这次这样的发布背后有记录的 AI 故障和智能体事件，都收集在OrcaRouter AI Incident Archive中，每条记录都带有自己的来源、严重性、置信度等级和争议标记。

两个模型，七个月，一道许可边界

在任何基准测试之前，都值得精确说明这一边界，因为它会重新排列整个比较的次序。

• Voxtral 4B TTS — 开放权重，许可协议为 CC BY-NC 4.0。非商业用途。你可以下载、检查、运行并微调它；但不得将其内置到付费产品中。该限制继承自其背后的参考语音数据集，而非检查点本身的任何技术限制。将其自托管用于内部评估没问题；将其自托管在面向客户的商业服务中则不行。

• Voxtral 3 TTS——闭源。截至 2026 年 10 月 21 日，未发布任何权重。Mistral 页面上所说的“在私有基础设施或私有云上自行部署”是一项需与厂商协商的企业部署方案，而不是下载链接；快速浏览该页面时，最容易犯的错误就是把这两者混为一谈。

实际后果是：如果你想要 Voxtral 4B T​TS 的理由是音频始终不会离开你的网络，那么除非你与 Mistral 签署某些协议，否则 Voxtral 3 T​TS 并不能替代它。如果你的理由是它比托管 API 更便宜，那么 Voxtral 3 T​TS 在价格上可以替代它，在质量上还更胜一筹，而且许可证问题也消失了，因为你购买的是服务而不是文件。同样的七个月差距，会根据这两句话中哪一句更符合你的情况而得出不同的结论。

记分牌

• 提供商语音 Elo — Voxtral 3 T​TS：1,217（98 个中第 13），95% 区间 1,202–1,232。Voxtral 4B T​TS：1,090（第 46），区间 1,078–1,102。两者均依据 Artificial Analysis，读取于 2026 年 10 月 21 日。

• 每 100 万字符价格 — 13.00 美元对 16.00 美元。按每分钟口语约 900 个字符计算，每小时 0.70 美元对 0.86 美元。

• 吞吐量——中位数为每秒 112 个字符，对比值为 79，由 Artificial Analysis 在各模型的原生主机上测得。

• 语言 — Voxtral 3 TTS：35+ 种语言和 50+ 种方言，提供 18 种预设。Voxtral 4B TTS：9 种语言 — 英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语、阿拉伯语，并支持方言。

• 语音适配 — Voxtral 3 TTS：“Pro Voice”，30 分钟音频。Voxtral 4B TTS：5–25 秒的参考提示，模型卡中描述最短仅需 3 秒。

• 权重——闭源与开源（CC BY-NC 4.0）。

语言支持范围是最大的变化，却还没有人写过。Voxtral 4B TTS 覆盖九种语言；新模型声称支持 35+ 种语言和 50+ 种方言。这是产品四倍的扩展，也是比 Elo 评分更有力的升级理由——127 分只是让你从榜单中游挪到中游，而从九种语言到三十五种语言，改变的则是你能销往哪些市场。

语音适配这条线则朝相反方向走，而且这是真正的退步。Voxtral 4B T​TS 能从一段简短的参考音频进行克隆——按模型卡说法只需三秒，其架构描述的提示窗口为 5–25 秒。Voxtral 3 T​TS 的 Pro Voice 要三十分钟音频，才能跨语言复现说话者的性格、情感范围和风格。三十分钟是一次录音棚录制。三秒则是一个功能。如果你的产品要让用户听到自己的声音，较新的模型在这件事上反而更差。

深入底层来看，4B 实际上到底是什么

旧模型名称中的参数数量描述的是一个真实的架构，它既解释了该模型的优势所在，也解释了为什么它的后继者并不只是它的放大版本。

Voxtral 4B TTS 大约有四十亿参数，分为三部分：一个基于 Ministral 3B 构建的 3.4B Transformer 解码器主干、一个 390M 的流匹配声学 Transformer，以及一个 300M 的神经音频编解码器。它基于具有 8,192 个 token 词表的语义 VQ 编解码器进行自回归，并将结果送入一个流匹配头；该头以 12.5 Hz 运行，在 36 个维度、21 个层级上预测声学 FSQ 特征。通俗地说：一个小型语言模型读取文本并制定计划，一个流匹配网络将该计划转换为音频特征，再由编解码器将特征转换为采样。它原生可生成最长两分钟的内容，更长的输出则通过 API 中的交错处理来实现。

Mistral 为 3 月模型公布的数值是：对于 10 秒语音样本和 500 个字符，模型延迟为 70 毫秒，实时因子约为 9.7 倍。这些数字是在 Mistral 自己的服务栈上测得的，并非独立测量，它们描述的是一个在其所属世代确实很快的模型。10 月模型在 Artificial Analysis 上的吞吐量为每秒 112 个字符，对比 79 个，这表明后继模型还要更快——但 Mistral 完全没有公布 Voxtral 3 TTS 的首音频时间，对于一家其前代 TTS 模型曾以延迟数据作为主打的公司来说，这是一个奇怪的遗漏。

两代架构的差异也体现在语言数量上。三月份支持九种语言，十月份则达到三十五種以上，而该系列的转写模型声称覆盖全部24种欧盟官方语言。两个检查点之间发生的任何变化，对训练数据和分词器覆盖范围的影响，都远大于对声学栈的影响。

谁应该保留 4B，谁又应该迁移？

如果以下任一情况属实，就保留 Voxtral 4B T​TS。你需要音频在你控制的硬件上处理，并且无法协商私有部署。你正在做研究或评估，此时 CC BY-NC 4.0 允许使用且许可证不产生费用。你需要短参考语音克隆——三秒对三十分钟，差距一目了然。你正在使用它支持的九种语言之一，并且质量足够，在这种情况下，一个你已经在运行的免费检查点比一个必须调用才能用的更好检查点更有价值。

如果以下任一情况属实，就迁移到 Voxtral 3 T​TS。你在出售输出，因此本来就不被允许以商业方式自托管 4B——在这种情况下，你早已在使用每千字符 $0.016 的 API，而新的每百万字符 $13 对于 Elo 高 127 的模型来说便宜了 19%，这是本文中最轻松的升级。你需要原始九种语言之外的语言。你需要智能体技术栈：Voxtral 3 T​TS 附带基于 LiveKit 的语音智能体 SDK、SIP 和 WebRTC 支持、亚秒级智能体轮次，以及搭配 Mistral Small 4 推理的每分钟 $0.04 套餐价，这些在三月那款模型时都不存在。

还有第三类团队应当两者并用，而且这个群体比看上去更大：他们用开放检查点做原型，用 API 提供线上服务。Voxtral 4B T​TS 为你提供一个本地模型，可用来针对提示词、音色和失败模式进行测试，既没有按次调用费用，数据也不会离开你的环境；Voxtral 3 T​TS 则为你提供生产端点，具备语言覆盖范围和可对外销售的许可。两者同出一脉，但 API 接口并不相同，因此要预计提示词需要重新调优——127 分的质量差距意味着这是不同的模型，而不是版本小升级；在 4B 上以某种方式生效的方向控制，未必能照搬过去。

如果生产路径需要经受住供应商中断，这正是主张将合成调用置于路由器之后、而不是直接调用 Mistral 的理由。OrcaRouter 提供 一个兼容 OpenAI 的端点，覆盖 200 多个模型，并按 0% 加价原样传递供应商标价，因此 某个合成后端发生中断时会故障转移，而不是悄无声息——而渲染隔夜批次的语音流水线，正是那种端点失效会损失一整晚而不是一次请求的工作负载。Mistral 的模型可通过 Mistral 自己的 API 和多个第三方平台访问；在围绕特定模型 ID 进行设计之前，请查看目录中的当前可用性。

Mistral 尚未回答的问题

Voxtral 3 TTS 会获得开放权重吗？三月的模型就获得了，采用非商业许可证，并成为欧洲实验室开放 TTS 检查点的参照范本。十月的发布中没有任何内容重复这一点。该页面明确说明了 API 访问和私有部署，却对下载只字未提，这与 Mistral 在几个月后发布权重之前对多款文本模型采用的模式相同。

如果权重真的发布，对比就会彻底改变：许可证条款将决定开放模型能否商业使用，而先例——CC BY-NC 4.0——表明它们不会允许商业使用。这样一来，情况将大致维持现状：可下载的模型是研究产物，而可用的那个则是服务。

另一个未解的问题是，4B 是否会继续留在 API 列表中。Mistral 的语音定价表列出了新系列，却没有提到三月的模型，而 Artificial Analysis 仍以 16 美元追踪它，并显示有活跃的托管方。从历史上看，Mistral 一直让较旧的语音模型在长尾期内保持可调用；如果这一做法延续，团队就有一个真正有用的备用方案——一个稍差、稍贵，但仍然是不同部署的模型。如果并非如此，任何构建于voxtral-mini-tts-latest的人，若是在三月，都需要在下一张账单前核对该别名现在解析到哪个模型。

简短版：Voxtral 3 T​TS 是更好的模型，却是更差的资产。为语言、质量和智能体栈选择它；把 Voxtral 4B T​TS 留给本地工作、短参考克隆以及它已经擅长的九种语言。唯一明确正确的迁移是从 4B 的托管 API 迁到新的 API——同一供应商、同样的许可立场、更便宜也更好——而且这是本次比较中唯一零成本即可完成的迁移。