Mistral 的 Voxtral 3 推出排名第 3 的轉錄模型與售價 13 美元的語音方案

首先該看的數字是 2.1%。這是 Artificial Analysis 為Voxtral Small Transcribe 3測得的字詞錯誤率。這使 Mistral 的新辨識器截至 2026 年 10 月 21 日在獨立語音轉文字排行榜上排名第三——僅落後於 A​libaba 的 Fun-Realtime-ASR-preview（1.7%）與 Microsoft 的 MAI-Transcribe-2（2.0%），並領先 ElevenLabs Scribe v2（2.2%）。同樣於 10 月 20 日發布的版本還推出了Voxtral 3 T​TS，這是一款每百萬字元定價 13 美元的語音合成模型，在 Provider Voice 競技場排名第十三，在 Controlled Voice 競技場排名第十四。其中一項結果是真正在排行榜上攀升。另一項則是表現稱職、位處中段且定價極具侵略性的產品，而這兩者發布時的宣傳與實際得分之間的落差，正是這次發表中最有用的資訊。像這次發布這樣的產品，其背後已記錄的 AI 失效與代理事件都彙整在OrcaRouter AI Incident Archive，其中每筆紀錄都附有各自的來源、嚴重程度、可信度評級與爭議標記。

以下內容區分三類說法：來自 Artificial Analysis 盲聽與轉錄排行榜的數字（獨立來源）、來自 Mistral 自家發布頁面的數字（廠商自行公布），以及本文根據公開價格所做的算術推算。這些數字不能互換，而該發布頁面的呈現方式讓人很容易把它們混為一談。

真正讓 Mistral 在排行榜上攀升的是轉錄結果。

Voxtral Small Transcribe 3 是四款模型家族中的旗艦，也是此次發佈中唯一擁有獨立評分、且直接擊敗既有領先者的部分。以 2.1% WER 而言，它落後 Microsoft 的 MAI-Transcribe-2 0.1 分，並領先 Scribe v2 0.1 分——這些差距完全落在單一評估集的雜訊範圍內，但足以讓 Mistral 躋身榜首討論，而非身處追趕者行列。

速度數據是較令人意外的那一部分。Artificial Analysis 測得 Voxtral Small Transcribe 3 的速度倍率中位數為 66.6，相較之下，排名最高的 Fun-Realtime-ASR-preview 為 20.3，MAI-Transcribe-2 則為 308.8。簡單來說，Mistral 的模型每分鐘運算可轉錄約 67 分鐘的音訊——速度約為微軟模型的四分之一，約為 A​libaba 模型的三倍。便宜、準確且速度中等偏慢，對批次轉錄來說是非常理想的組合；但對任何互動式用途來說則不然，這就是為什麼 Mistral 另外販售一個即時模型。

此系列，於 10 月 20 日出貨時：

• Voxtral Small Transcribe 3 — 支援 50 種以上語言、語者分離、上下文偏置，每分鐘 $0.004（每 1,000 分鐘 $4.00）。準確度首選。

• Voxtral Mini Transcribe 3 — 4B 參數、50 多種語言、每分鐘 $0.0035。在同一份榜單上測得 2.2% WER——費用少 12.5%，統計上與 Small 模型持平，這使得 Small 等級的溢價單就準確度而言難以合理化。

• Voxtral Mini Transcribe Realtime 3 — 串流、宣稱低於 500 毫秒延遲，每分鐘 $0.008。Mistral 自家頁面在兩個不同地方分別寫這個模型支援「35+ 種語言」和「40+ 種語言」；外界還沒人測試過哪個才對。

• Voxtral 3 TTS — 批次與即時合成，每百萬字元 13 美元，支援 35 種以上語言與 50 種以上方言。Mistral 的定價表稱此模型為「Voxtral Speech 3」，其文件則列為 voxtral-mini-tts-3-0。

在 Mistral 自家的 FLEURS 45 評測中，Voxtral Small Transcribe 3 在強制指定語言的情況下回報 4.1% 的 WER，在自動推斷語言的情況下則為 4.0%。這與 Artificial Analysis 所跑的基準測試並不相同，這也是為什麼供應商頁面顯示 4%，而獨立排行榜顯示 2.1%。這兩個數字都沒有錯；將它們放在同一句話中引用，卻不說明哪個數字出自哪個來源，正是新品發布報導出錯的常見方式。Mistral 還聲稱，在其比較組中擁有最低的說話者分離錯誤率，為 18.4% cpWER，並且在搭配上下文偏置時達到 94.6% 的關鍵詞組召回率，而未使用時為 81.4%——這些數據皆由供應商自行回報，尚未經獨立重現。

語音模型表現中規中矩，價格則成了它最具說服力的地方。

Mistral 的社群貼文將 TTS 發布描述為同時進入兩個文字轉語音競技場的前十二名。10 月 21 日的即時排行榜則呈現稍微保守的說法：Voxtral 3 TTS 在 Provider Voice 以 1,217 Elo 排名第 13（95% 區間 1,202–1,232，涵蓋第 11 至第 17 名的並列區間），在 Controlled Voice 以 1,066 Elo 排名第 14（涵蓋第 10 至第 19 名的並列區間）。換句話說，它在兩者上都位列前十五——而且信賴區間與另外五個模型重疊，因此確切排名並非穩定的事實。這是該模型上榜的第二天，其樣本數 1,619 次比較，遠低於領先者已累積的 3,000+。

穩定的是鄰近區間。以 1,217 Elo 而言，Voxtral 3 T​TS 與 Realtime T​TS-2 Flash 和 StepAudio 2.5 T​TS 持平，領先 1,182 的 ElevenLabs Eleven v3，落後於 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。

關於那個名次，有兩件事值得直說。首先，對 Mistral 而言，Voxtral 3 T​TS 是明顯的跨世代進步：2026 年 3 月的 Voxtral T​TS 在同一份榜單上得分 1,090，所以這是 127 分的躍升。第二，這次躍升並未縮小與前沿的差距。Mistral 先前的模型落後很多；新模型則處於中段。

每百萬個字元 13 美元實際上能買到什麼

價格是這次發布有趣之處，也是照字面解讀新聞稿會誤導你的地方。以每百萬字元 13 美元計，Voxtral 3 T​TS 每小時生成語音約花 0.70 美元，假設每分鐘口說約 900 字元。Cartesia Sonic 3.6 以每百萬字元 49 美元計，每小時為 2.65 美元；ElevenLabs Eleven v4 以 80 美元計，每小時為 4.32 美元；而 Q​wen-Audio-3.0-T​TS-Plus 以 19.31 美元計，每小時為 1.04 美元。相較於頂級方案，這項節省既真實又龐大。

在性價比這個層級上，這並非壓倒性勝利。Simba 3.2 以 1,245 Elo 排名第 10——比 Voxtral 3 T​TS 高 28 分——價格為每百萬字元 6.6 美元，只有後者的一半。Realtime T​TS-2 Flash 以 10.4 美元拿下相同的 1,217 Elo。Gemini 3.8 Flash-Lite T​TS 以 11 美元拿下 1,250。用粗略的 Elo-per-dollar 比率來看（這個比率把 Elo 當成線性，但實際上並非如此，且應理解為粗略排序而非測量），Voxtral 3 T​TS 約為每美元 94 點，而 Simba 3.2 是 189，Realtime T​TS-2 Flash 是 118。

誠實的總結是，Mistral 把這款模型的定價設定得站得住腳，而非具顛覆性。它的價格低於每一個在 Elo 上領先它超過 50 分的模型，但在性價比上，它輸給至少三個品質勝過它的模型。這是一次正常的發布，不是一次重新定價事件。

在這裡，路由的關鍵作用在於讓那項比較保持即時更新，而不是停留在試算表裡。OrcaRouter 提供 一套涵蓋 200+ 個模型的 API，並以 0% 加價原樣傳遞供應商牌價，因此當像 Mistral 這樣的廠商調整費率時，你的程式所看到的數字也會跟著變動；而替換語音管線後端的合成端點只是改個設定，不必再另簽一份合約。Voxtral 3 TTS 是否該納入那條管線，與它是否是排行榜上最強的模型是兩回事——而就目前的排行榜來看，它並不是。

發佈內容中不屬於模型的部分

Mistral 在 10 月 20 日推出的最具影響力產品，可能不是那兩個已計分模型中的任何一個。該系列隨附一套建構於 LiveKit 上的語音代理 SDK，支援 SIP 電話、WebRTC、IVR 與聯絡中心整合，並宣稱完整代理回合低於一秒，且具備插話處理能力。Mistral 將整個代理迴圈——語音輸入、推理、語音輸出——定價為每分鐘 $0.04（當推理模型為 Mistral Small 4 時），或使用不同推理模型時每分鐘 $0.08。

那個按分鐘計價的套裝方案，與按字元計價的 TTS 費率是不同單位，直接比較兩者是很常見的錯誤。在一通一分鐘的通話中，語音代理若說話 30 秒，大約會消耗 4,500 個字元的合成量；以每百萬字元 $13 計算，還不到六美分——因此，只要您本來就想要 Mistral 的推理模型，$0.04 的套裝方案與自行組裝各部件相比仍具競爭力。套裝方案也正是容錯論點在生產環境中發揮價值的地方：語音代理的合成端點若失效，電話線就會一片沉默，而該管線中的推理環節，正是具備 自動容錯移轉 的路由器所要處理的情況。

Mistral 這次沒有推出的是開放權重。Voxtral 3 頁面說明了 API 存取、Studio 遊樂場，以及在私有基礎設施上自行部署，但從未表示權重可供下載。三月的 Voxtral TTS 以 CC BY-NC 4.0 授權在 Hugging Face 上發布；本次發布並未重申這一點。如果自架是必要條件，這一代目前無法滿足。

還沒有人測量過的三件事

Voxtral 3 T​TS 未公布延遲數據，是發布資料中最明顯的缺口。Mistral 提出即時轉錄低於 500 毫秒、完整代理回合不到一秒，但沒有提供合成端的首個音訊時間，而這正是決定語音代理是否感覺像在對話的數字。Artificial Analysis 報告的中位生成時間為 7.2 秒、中位吞吐量為每秒 112 個字元，兩者描述的都是批次渲染，而非串流行為。每秒 112 個字元的中位數還算不錯——比 ElevenLabs Eleven v3 的 56 快，比 Sonic 3.6 的 145 慢——但這對最初的 200 毫秒毫無說明。

聲音克隆是第二個缺口。Mistral 的「Pro Voice」調適能從 30 分鐘的音訊中重現講者的聲音特質與情感範圍。那是錄音室等級的流程，不是 Cartesia 所宣傳的十秒即時克隆，也不是 ElevenLabs 提供的三十秒克隆；這讓 Voxtral 3 T​TS 定位於品牌語音，而非使用者生成的角色工作。

第三點是耐久性。Mistral 的官方資料並未載明 TTS 端點的最大生成長度，而競技場樣本都是短片。長篇旁白正是中段 Elo 模型仍可能是正確選擇的場景——只要它能在長達十分鐘內保持連貫——而至今沒有人發表過這項測試。

對 10 月 20 日的公允解讀是：Mistral 推出了一個真正的轉錄競爭者，以及一個好到足以列入候選名單、又便宜到值得一試的 TTS 模型。轉錄榜單是該公司贏得頭條的地方；合成榜單則是它買到頭條的地方。