Voxtral 3：Mistral 将四个语音模型和语音智能体 API 纳入同一计费体系

Mistral 10 月 20 日发布中最值得关注的数字并不是词错误率，而是每分钟 0.04 美元。这是该公司为一个Voxtral 3语音智能体收取的费用——这是一条端到端流水线，它能听到来电者的声音，用Mistral Small 4对来电内容进行推理，调用工具，然后作出回应。把 Mistral 单独出售的各个部分加起来，同样一分钟的花费更高：Voxtral Mini Transcribe Realtime 3 为 0.008 美元，加上正常语速下约 0.02 美元的 Voxtral Mini T​TS 3，再加上推理模型的费用。打包后的这一分钟才是产品本身。其余的一切——Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3、Voxtral Mini Transcribe Realtime 3、Voxtral Speech 3——都作为可按需单独购买的组件出售，同时也借此表明这些组件足够优秀，值得打包。 语音智能体流水线会以价目表上从不提及的方式发生故障，而已记录的事件被编入OrcaRouter AI 事件档案，其中每条记录都带有各自的来源、严重程度、置信度评级和争议标记。

逐个型号来看，究竟有哪些新变化

这是一次家族式的整体焕新，而不是在单一型号上做一次版本升级。每一款产品都有各自明确的定位和各自的价位，而这种分工比它们共享的名字更为重要。

• Voxtral Small Transcribe 3——精度档位。每分钟 $0.004，32k 上下文，也是 Mistral 在带说话人分离的转录方面的旗舰级主张。它还支持翻译、语音问答、摘要和函数调用，这使其成为该系列中更接近音频语言模型而非转录器的一员。

• Voxtral Mini Transcribe 3 — 40 亿参数，每分钟 $0.0035，32k 上下文。Mistral 公布了这款模型的规模，却未透露 Small 模型的规模。这种不对称值得注意：迷你模型正是为大规模量和边缘部署而定位的，因此其占用空间是卖点；旗舰模型的则未披露。

• Voxtral Mini Transcribe Realtime 3 — 通过 WebSocket 进行流式传输，每分钟 $0.008，延迟可在 80 毫秒至 2,400 毫秒之间配置，并且回合结束检测结合声学与语义线索，而不是等待静音。文档称“低于 500 毫秒”；可配置的下限远低于该值，而将延迟调低所带来的准确性代价相当显著——见基准测试部分。

• Voxtral Speech 3（在文档中以 Voxtral Mini T​TS 3 的名义销售）——每百万字符 13 美元，首帧音频约 90 毫秒，34 个情感标签和两个语速标签，支持九种语言，零样本与“专业级”语音克隆。Mistral 的发布页面称，克隆需要 30 分钟以上的参考音频。

其底层是语音智能体 SDK，基于 LiveKit 构建，并将 ASR、LLM 和 TTS 作为一条流水线进行流式处理。它可接入 SIP 通话、WebRTC 会话以及现有的电话或 IVR 中继，支持打断，并让你无需重建智能体即可更换推理模型、语音或语言。Mistral 称轮次延迟低于一秒。

仔细阅读基准表。

Mistral 公布了自己的数据，而这些数据相当不错。在 FLEURS 45 宏观平均词错误率上，Voxtral Small Transcribe 3 在强制指定语言时为 4.1%，在自动推断语言时为 4.0%。Voxtral Mini Transcribe 3 则为 4.6% / 4.5%。作为对比，在同一厂商的表格中：Gemini 3.5 Transcribe 为 6.1% / 4.5%，Scribe v2 为 4.9%，GPT Transcribe 为 6.3% / 5.6%，Whisper large-v3 为 16.0% / 14.9%。

关于那张表，有两点值得再仔细看看。第一，Microsoft 的 MAI-Transcribe-2 落在 4.1% / 4.0%——与 Voxtral Small Transcribe 3 完全相同，精确到小数点后一位。在一张厂商表格里，旗舰模型与最接近的竞争对手精确打平，这要么是诚实的平手，要么是四舍五入后的平手；Mistral 没有说明是哪种。第二，Whisper 的那个数字并不是其他人引用 Whisper 时会用的数字。Whisper large-v3 在 Open ASR Leaderboard 上的平均 WER 为 7.44，而 Turbo 变体在 Artificial Analysis 的独立榜单上是 4.6%。16% 是 Whisper 在尤其困难的多语言 FLEURS 音频上的表现，而不是它在生产环境英语中的表现。对竞争对手使用可获取的最严苛切片是一种正常的营销手法，但它终究是一种营销手法。

独立榜单给出的情况更为紧凑。Artificial Analysis 显示，Voxtral Small Transcribe 3 的 AA-WER 为 2.1%，Voxtral Mini Transcribe 3 为 2.2%——截至本文撰写时，二者在非流式榜单上分列第一和第二，而 MAI-Transcribe-2 以 2.0% 占据它们上方的位置，具体取决于查看榜单的时间。这些差距足够小，重跑后排名就会变化。任何根据 0.1 个百分点的差距就宣称赢家的人，引用的不过是噪声。

实时层在哪里把准确性还回来

Mistral 公布的最有用的东西就是流式指标，因为它们最不美化。在 FLEURS 35 上，离线 Voxtral Mini Transcribe 3 基线的 WER 为 4.0%。实时模型会随着你要求它更快作答而单调退化：

• 2,400 毫秒延迟 — 5.7% 词错误率

• 960 毫秒 — 6.0%

• 480 毫秒 — 6.4%

• 240 毫秒 — 7.4%

相比之下，Mistral 将 Gemini 3.5 Realtime Transcribe 列为 4.2%，将微软的流式层级列为 5.8%，将 GPT Live Transcribe 列为 8.4%，将 Scribe v2 Realtime 列为 8.7%。因此，诚实的解读是：在舒适的 2.4 秒延迟下，Voxtral 实时层级与微软相比具有竞争力，并胜过 OpenAI 和 ElevenLabs 的流式模型，但它胜不过 Google 的模型；而在 240 毫秒时，除了两个垫底模型之外，它比其他所有模型都差。低于 500 毫秒这一核心卖点是真的；只不过，与将同一段音频离线运行相比，这会让你付出大约三个百分点的准确率代价。

说话人分离是该系列表现最强的方面，也是厂商对比表最能说明问题的地方。在拼接最小排列 WER 上，Mistral 报告称：Voxtral Small Transcribe 3 为 18.4%，Mini 为 18.6%，Pyannote Orchestrator Precision 3 为 19.0%，MAI-Transcribe-2 为 20.3%，G​emini 3.5 Transcribe 为 38.4%。在说话人归属上相对 G​emini 领先 20 个百分点，这类数字足以决定一款产品的成败——会议转写、通话质检——但这是一家厂商的评测框架对另一家厂商的模型，尚无第三方复现。

按小时计，定价能换来什么

按分钟计费便于比较，但当替代方案是按 token 计费时，也很容易算错。换算成一千个音频小时，这大致相当于一个中型呼叫中心一个月的用量：

• Voxtral Mini Transcribe 3 — 每 1,000 小时 210 美元，即每分钟 0.0035 美元

• Voxtral Small Transcribe 3 — 每 1,000 小时 240 美元，即每分钟 0.004 美元

• Voxtral Mini Transcribe Realtime 3 — 每 1,000 小时 480 美元，即每分钟 0.008 美元

• 具备 Mistral Small 4 推理能力的语音代理 API——每 1,000 小时对话收费 2,400 美元，即每分钟 0.04 美元

Agent 层级的价格是转录层级的五到十一倍；考虑到它包含推理模型和语音合成，这个数量级是正确的。利润也正出在这里，而 Mistral 的定位——身份验证、账单核对、预约预订——是为那些完成一项任务的价值超过一分钟算力的通话而选择的。

关于整个价格表，有一个结构性的提醒：这里的所有模型都处于公开预览阶段，而非正式可用（GA），而且预览定价在演讲中历来都会变动。目前没有任何公开承诺保证 $0.0035 会一直保持 $0.0035。

Mistral 没有发布什么

没有权重。发布页面称，Voxtral 3 可通过 Mistral 的 API 使用，提供欧盟、美国和全球端点，并且“可用于在自有基础设施上自行部署”——但该页面没有公布许可证，没有公布四款模型中三款的参数数量，也没有 Hugging Face 仓库。作为背景，Mistral 早先的语音发布版本均可下载：Voxtral Small 24B 2507 在 Hugging Face 上采用 Apache 2.0，Voxtral 4B TTS 2603 采用 CC-BY-NC-4.0，而 Voxtral Mini 4B Realtime Arabic 于 10 月 8 日上线，完全未声明许可证。此次发布是首个没有任何可下载成员的 Voxtral 代产品。这里的“自行部署”应理解为企业合同，而非下载。

同样缺失的还有：任何最大音频长度、TTS 或 agent 层级的任何上下文数值，以及除端点区域之外的任何留存或数据驻留细节。如果你是在为受监管的通话录音评估这项服务，那么在采购沟通中需要补齐的正是这三个缺口，而不是从发布博文中寻找答案。

如何实际尝试一下

Voxtral 3 目前不在 OrcaRouter 的目录中，因此评估它的途径是 Mistral 自家的 API 和 Studio 演练场，这些涵盖了转录、语音生成、语音克隆和智能体流水线。路由器真正能帮上忙的是决策的后半段：你几乎不会只想要一套语音技术栈，而将处理智能体工具调用的推理模型置于单一端点之后，意味着你可以在同一份转录文本上，将 Mistral Small 4 与十几个其他模型进行比较，而无需重建流水线。OrcaRouter 透传提供商目录价，按 0% 加价并在提供商之间自动故障转移，这恰恰在这种情况下最重要——一个预览级模型，前面没有任何正常运行时间历史。

如果你本周就要做这件事，实际的评估顺序是：用你自己最差的音频，在同样的 200 个文件上分别运行 Voxtral Small Transcribe 3 和 MAI-Transcribe-2，因为这两家厂商公布的是相同的 FLEURS 分数，只有你的音频才能打破平局。然后以 960 毫秒和 2,400 毫秒运行实时档，并统计轮次结束检测器有多频繁地在来电者话说到一半时将其打断——在实时语音智能体中，这种故障模式造成的代价比这一系列模型之间任何 WER 差异都更大。然后，把智能体每分钟成本与你的 containment rate 对照，而不是与你的转写账单对照。

看什么

有三件事将决定这次发布能否经得起时间考验。一是对说话人分离声明的独立复跑——这是发布中唯一真正会改变购买决策的数字。二是权重是否会公开，因为可下载的 Voxtral 会立刻成为欧洲语言说话人分离的默认开源选项，并会削弱上文整套定价论证。三是亚秒级智能体延迟能否在真实电话场景中成立，而不是只在法语转诊信的演示中成立——插话打断和轮次结束检测正是语音智能体通常失败的地方，而这两者都无法靠厂商博客文章作为证据。