Voxtral 3 与 Gemini 3.5 Transcribe 对比：Mistral 称其文字转录更胜一筹——但谷歌在其他方面胜出

在两个厂商都同意公布的那唯一一项指标上，这两者仅有一线之隔。Voxtral Small Transcribe 3——Mistral 于 2026 年 10 月 20 日发布的 Voxtral 3系列中的旗舰转写器——在 Artificial Analysis 的非流式榜单上词错误率为 2.1%。G​emini 3.5 Transcribe自 2026 年 8 月 26 日起由 G​oogle 作为正式可用模型提供，在同一榜单上为 2.6%。0.5 个百分点大约相当于每千词多出五个错误。而这并不是选择其中之一的理由。理由在于文字之上的一切：G​emini 能进行八说话人分离，支持一千个自定义词汇，单遍处理即可清理不流畅表达并解决自我纠正，覆盖 85 个以上语言区域。Voxtral 按其自己的表格在说话人分离上明显更好，覆盖 50 多种语言，且每分钟费率低于 G​oogle。本页讨论的是这些差异中究竟哪些真正会影响你的流水线。 词错误率并不记录两家厂商的转写 API 在负载下如何失效，而这些事件收录在 the OrcaRouter AI Incident Archive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。

每一个都在卖什么

Mistral 对 Voxtral Small Transcribe 3 的定位是准确性加上说话人归属。它是该系列中的“旗舰级转写与说话人分离模型”，原生支持时间戳和说话人分离，还具备翻译、语音问答、摘要和函数调用能力——这其实是在含蓄地说明：它是一款具备转写能力的音频语言模型，而不是一个单纯的转写器。定价为每分钟 0.004 美元、支持 32k 上下文，其定位就是直接替代各家托管式转写 API。

G​oogle 对 G​emini 3.5 Transcribe 的定位，在于识别完成之后如何处理转录文本。默认的 `verbatim` 模式会保留填充词、未完成的开头和重复内容；`smart` 模式会去除这些内容并应用结构化格式；自定义词汇表会偏向你的行话；词级时间戳会以注释形式返回；说话人标签则以 `spk_1`、`spk_2` 等形式出现。它通过 Interactions API 处理文件，并通过单独的 `gemini-3.5-transcribe-live` SKU 处理流式传输，还提供 Mistral 所没有的免费层级。

简而言之：Mistral 卖给你的是一只更好的耳朵，Google 卖给你的是一位更好的编辑。

逐个维度

• 独立准确率 — Voxtral Small Transcribe 3 的 AA-WER 为 2.1%，而 G​emini 3.5 Transcribe 为 2.6%，两者均来自 Artificial Analysis 的非流式排行榜。Mistral 自己的 FLEURS 表显示出更大的差距：Voxtral 的强制语言识别为 4.1%，G​emini 为 6.1%，但在推断语言时仅为 4.0% 对 4.5%。独立榜单与推断语言的解读一致，因此应把 6.1% 这一数字视为 Mistral 表格中较松散的一端，而不是核心结论。

• 价格 — 每分钟 $0.004 对 $0.005，两者均为混合标价。也就是每千音频小时 $240 对 $300。确实如此，但单凭这一点并不具有决定性；20% 的差距会被一次坏批次重跑抹平。

• 说话人归属 — 在 Mistral 的测试框架上，Voxtral Small Transcribe 3 的拼接最小排列 WER 为 18.4%，而在同一厂商表格中，G​emini 3.5 Transcribe 为 38.4%。这是发布文章中最大的差距，也是最可能产生影响的一项。请如实说明前提：这两个数字都来自 Mistral，且运行在 Mistral 的测试框架上，而 G​oogle 尚未公布可对照的等效说话人分离分数。G​oogle 的文档确实披露了一个并非基准的硬性上限——最多八位说话人，且三位及以上时归属功能被标记为“实验性”——对会议转写而言，这是产品限制，而不是质量问题。

• 语言覆盖范围 — Voxtral：支持 50 多种语言，包括全部 24 种欧盟官方语言，以及一组低资源的亚洲和印度语系语言。Gemini：支持 85 多个语言区域，提供 BCP-47 提示，并支持句内语码转换。Google 的列表更长，更重要的是，它是有具体名单的——你可以核对你的语言区域是否在名单上。Mistral 的“50+”只是一个数量，没有名单。

• 音频限制——Gemini 将非流式音频限制为一小时；当你要求说话人分离或词级时间戳时，限制为三十分钟。Mistral 则完全没有公布 Voxtral Small Transcribe 3 的最大音频长度。这种沉默并不是一项功能。如果你要处理长文件，在两者之中，只有 Gemini 能让你无需询问销售，就能据此为任务队列做容量规划。

• 词汇控制 — Gemini 最多接受 1,000 个自定义术语（效果最佳时约为 100 个），并明确警告：自定义词汇不能与说话人分离或单词时间戳结合使用。Voxtral 的上下文偏置接受关键术语和自由格式文本，Mistral 报告称，使用提示时关键短语召回率为 94.6%，未使用时为 81.4%。请注意这一说法的形态：这是带偏置的召回率，而不是带偏置的错误率，并且是由供应商报告的。

• 自我纠正处理——G​emini 的 `smart` 模式会处理自我纠正，并对口语中的数字和货币进行规范化。Mistral 没有提供有文档记载的等效模式。如果你的音频是充满“不，等等，我是说”这类话语的访谈或呼叫中心语音，那么这很可能就是最能决定最终选择的一项功能。

• 流式 — Gemini 有一个实时 SKU，混合价格约为 $0.009/分钟。Voxtral 的流式层级是另一款模型 Voxtral Mini Transcribe Realtime 3，价格为 $0.008/分钟，延迟可在 80 到 2,400 毫秒之间配置。两家厂商的流式模型都不是准确性旗舰，因此将流式准确性与上面的批处理数字进行比较是范畴错误。

• 成熟度 — Gemini 3.5 Transcribe 自 2026 年 8 月 26 日起已正式可用（GA），并在公共榜单上拥有独立的 WER 评分。截至 2026 年 10 月 20 日，Voxtral Small Transcribe 3 处于公开预览阶段，没有正常运行时间记录，没有 GA 日期，也未公开承诺其预览价格将保持不变。

说话人分离编号是要测试的那一个。

如果这次对比中有一句话应当促使你去检查自己的音频，那就是这一句：Mistral 声称其说话人分离错误率为 18.4%，而 Gemini 为 38.4%，并且 Google 没有公布任何对应的数字。就准确率等级的差异而言，这个差距大得可疑——普通转写上 2.1% 对 2.6%，并不能预示说话人归属上会出现 2 倍的差距。现有两种解释，而只有你的数据能把它们区分开。要么 Gemini 的说话人分离确实更弱，这与其有文档记载的八说话人上限以及针对三个或更多说话人的“实验性”说明相符；要么 Mistral 的评测框架以某种方式美化了自己的模型，而中立重跑不会复现这种结果。

实用测试：拿你手头最糟糕的 40 分钟多说话人音频——有串音、有一位说话人通过电话线说话、至少有一处两个人同时抢话——把两者都跑一遍，然后统计说话人切换次数，而不是词错误数。这只需一个下午，却能判定一个两家厂商都无法替你判定的说法。

转录文本在大规模下的实际成本

算一下这笔账：一个每月录制 4,000 小时的支持团队。按每分钟 $0.004 计算，Voxtral Small Transcribe 3 为 $960；按每分钟 $0.005 计算，Gemini 3.5 Transcribe 为 $1,200。每月 $240 的差距是真实存在的，大致相当于每个工作日一小时的工程师成本——这才是衡量它的正确方式：如果对比的是一个运维不花你任何成本的自托管方案，这个差距就有意义；如果 Gemini 的 `smart` 模式能省掉一步你原本要付费的后处理，那它就无关紧要。

那个后处理步骤通常正是价格对比出问题的地方。带有填充词和未解决自我修正的原始转写文本需要一轮清理——要么是你维护的正则层，要么是每个文件调用一次 LLM。而来自 Gemini 的已清理、已加标点、已标注说话人的转写文本则不需要。如果你的流水线目前为修正格式而每份转写都花费一次语言模型调用，那么在得出 Mistral 便宜 20% 的结论之前，应把这次调用也纳入对比。

对于两者都想要的团队——在说话人重要的通话中使用 Mistral 的说话人分离，在批量归档中使用 Gemini 的清理——限制通常在于密钥和供应商，而不是资金。OrcaRouter 的模型目录目前不包含 Voxtral 3 或 Gemini 3.5 Transcribe，因此这一特定组合仍然意味着两份合同。我们真正能帮上忙的是上一层：用于汇总或路由这些转录文本的推理模型可以来自单一端点，并具备自动故障转移，因此语音供应商的选择不会同时锁定你的下游模型选择。

判决

如果问题出在说话人上，而且你的语言是欧洲语言，就选择 Voxtral Small Transcribe 3——对说话人分离的宣称、24 种欧盟语言以及低 20% 的费率都指向同一方向，而独立榜单上 2.1% 的 WER 意味着你并没有为此牺牲准确率。如果问题出在转录文本本身——自我纠正、格式、大量明确列出的区域设置，以及可据以规划容量的已公布音频时长上限——就选择 G​emini 3.5 Transcribe。我唯一不会做的事，就是盯着 0.5 个百分点的 WER 差距来选。它比任何榜单上的逐次运行方差都小，而且两家厂商都从同一类评估中挑出对自己有利的数字来公布。

悬而未决的问题是：当 Voxtral Small Transcribe 3 结束预览阶段后会发生什么。如果 Mistral 维持 $0.004 的价格，并且一次独立的说话人分离复跑确认了 18 个百分点的差距，那么对于任何做会议或通话分析的人来说，这就不再是难分高下的事了。如果正式可用（GA）时价格发生变化，那么这一判断就又收窄到仅剩语言覆盖和说话人归属两个方面。