Voxtral 3 TTS 與 Voxtral 4B TTS：你無法下載的較新模型

關於Voxtral 3 T​TS，有個尷尬的事實：它在幾乎所有可衡量的方面都優於Voxtral 4B T​TS，卻在決定某些部署方式的唯一一點上更差：你無法擁有它。Mistral 於 2026 年 3 月 23 日以開放權重發布 Voxtral 4B T​TS——mistralai/Voxtral-4B-T​TS-2603，在 Hugging Face 上，CC BY-NC 4.0，可下載並可在你自己的加速器上執行。Voxtral 3 T​TS 於 2026 年 10 月 20 日推出，僅作為 API 產品。發布頁面描述了歐盟、美國與全球端點、Studio 遊樂場，以及在私有基礎設施上自行部署，卻從未提及權重可供取得。因此，這個晚了七個月的後繼模型在盲聽排行榜上高出 127 Elo（1,217 對 1,090），價格便宜 19%，每百萬字元為 13 美元對上 16 美元，速度也快約 42%，每秒 112 字元對上 79 字元——但它仍不是它所取代之模型的直接替代品，因為較舊的那一款是這個家族中唯一能讓企業真正擁有的成員。像這次發布背後有紀錄的 AI 故障與代理事件，都收集在OrcaRouter AI Incident Archive中，每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

兩個模型、七個月、一道授權界線

那條界線值得在任何基準測試之前精確說明，因為它會重新排序整個比較。

• Voxtral 4B TTS — 以 CC BY-NC 4.0 釋出的開放權重。非商業性。你可以下載、檢視、執行並微調它；但不得將其內建於付費產品中出貨。這項限制承襲自其背後的參考語音資料集，而非該檢查點的任何技術限制。將其自行託管用於內部評估沒問題；將其自行託管於面向客戶的商業服務中則不行。

• Voxtral 3 TTS — 閉源。截至 2026 年 10 月 21 日，尚未發布權重。Mistral 頁面上的「在私有基礎設施或私有雲上自我部署」是與廠商協商談定的企業部署方案，不是下載連結；快速瀏覽該頁面時，最容易犯的錯誤就是把這兩者混為一談。

實際後果是：如果你想要 Voxtral 4B T​TS 的理由是音訊永遠不會離開你的網路，那麼除非你與 Mistral 簽署某項協議，否則 Voxtral 3 T​TS 無法取代它。如果你的理由是它比託管 API 便宜，那麼 Voxtral 3 T​TS 在價格上可取代它，並在品質上勝過它，而授權問題也會消失，因為你買的是服務而不是檔案。同樣的七個月差距，會因這兩句話中哪一句描述你的情況而有不同的解決結果。

計分板

• 供應商語音 Elo — Voxtral 3 T​TS：1,217（98 個中的第 13 名），95% 區間 1,202–1,232。Voxtral 4B T​TS：1,090（第 46 名），區間 1,078–1,102。兩者皆依據 Artificial Analysis，資料讀取於 2026 年 10 月 21 日。

• 每 100 萬字元的價格 — 13.00 美元對上 16.00 美元。以每分鐘口語約 900 字元計算，每小時為 0.70 美元對上 0.86 美元。

• 吞吐量 — 中位數為每秒 112 個字元，相較於 79，由 Artificial Analysis 在各模型的原生主機上測量。

• 語言 — Voxtral 3 T​TS：35+ 種語言與 50+ 種方言，提供 18 種預設。Voxtral 4B T​TS：9 種語言 — 英文、法文、德文、西班牙文、荷蘭文、葡萄牙文、義大利文、印地文、阿拉伯文，並支援方言。

• 語音調適 — Voxtral 3 TTS：「Pro Voice」，30 分鐘的音訊。Voxtral 4B TTS：5–25 秒的參考提示，模型卡中說明最短僅需 3 秒。

• 權重 — 封閉式與開放式（CC BY-NC 4.0）。

語言陣容是最大的改變，卻沒有人寫過。Voxtral 4B TTS 涵蓋九種語言；新模型則號稱支援 35 種以上語言與 50 種以上方言。這等於產品規模擴大了四倍，而這比 Elo 分數更能說服人升級——127 分只是讓你從排行榜中段挪到中段，但從九種語言變成三十五種，改變的是你能賣進哪些市場。

語音適應這條路線則朝相反方向發展，也是唯一真正的退步。Voxtral 4B T​TS 可從簡短的參考片段進行複製——依模型卡所述最短只需三秒，而其架構描述的是 5–25 秒的提示窗口。Voxtral 3 T​TS 的 Pro Voice 則需要三十分鐘的音訊，才能重現說話者的性格、情感範圍與跨語言風格。三十分鐘是一次錄音室錄音。三秒則是一項功能。如果你的產品讓使用者聽見自己的聲音，較新的模型在這項工作上反而更差。

4B 在底層究竟是什麼

舊模型名稱中的參數量描述的是一個真實的架構，而這既解釋了它的優勢，也說明了為何後繼者並非只是它的放大版。

Voxtral 4B TTS 大約有四十億個參數，由三部分組成：一個以 Ministral 3B 為基礎建構的 3.4B Transformer 解碼器主幹、一個 390M 的流匹配聲學 Transformer，以及一個 300M 的神經音訊編解碼器。它在具備 8,192 個 token 詞彙表的語意 VQ 編解碼器上進行自迴歸，並饋入一個流匹配頭；該頭以 12.5 Hz 運行，預測橫跨 36 個維度、每維 21 個等級的聲學 FSQ 特徵。用白話來說：一個小型語言模型讀取文字並進行規劃，一個流匹配網路把該規劃轉換成音訊特徵，而一個編解碼器把特徵轉換成音訊樣本。它原生可生成最多兩分鐘，較長的輸出則透過 API 中的交錯機制處理。

Mistral 為 3 月模型公布的数据是：在 10 秒語音樣本與 500 個字元下，模型延遲為 70 毫秒，即時因子約 9.7 倍。這些數字是在 Mistral 自家服務堆疊上測得，並非獨立測量，而且它們描述的是一個在其世代確實很快的模型。10 月模型在 Artificial Analysis 上的吞吐量為每秒 112 個字元，對比 79，顯示後繼模型還要更快——但 Mistral 完全沒有公布 Voxtral 3 TTS 的首次音訊延遲時間，對於一家前代 TTS 模型以延遲數據作為主打的公司來說，這是個奇怪的疏漏。

架構的兩代演進也反映在語言數量上。三月時有九種語言，十月時已達三十五種以上，而該家族的轉錄模型宣稱涵蓋歐盟全部 24 種官方語言。兩個檢查點之間無論改變了什麼，改變訓練資料與分詞器涵蓋範圍的程度，都遠大於改變聲學堆疊的程度。

誰應該保留 4B，誰又應該移動

若下列任一情況成立，就保留 Voxtral 4B TTS。你需要音訊在你掌控的硬體上處理，且無法洽談私有部署。你正在進行研究或評估，而 CC BY-NC 4.0 允許這類使用，且授權不花一毛錢。你需要短參考語音克隆——三秒對上三十分鐘，勝負毫無懸念。你正在使用它涵蓋的九種語言之一，且品質已足夠；在這種情況下，你已經在跑的免費檢查點，比一個還得額外呼叫的更好檢查點更有價值。

若下列任一情況成立，就改用 Voxtral 3 TTS。你是在販售輸出成果，因此本來就從未被允許以商業方式自行託管 4B 模型——既然如此，你原本就已使用每千字元 $0.016 的 API，而新的每百萬字元 $13 對一個 Elo 高出 127 的模型來說還便宜 19%，這是本文中最輕鬆的升級。你需要原始九種語言之外的語言。你需要代理堆疊：Voxtral 3 TTS 隨附以 LiveKit 為基礎的語音代理 SDK、SIP 與 WebRTC 支援、低於一秒的代理互動回合，以及每分鐘 $0.04 的套裝價格（含 Mistral Small 4 推理），這些在三月模型時期都不存在。

還有第三類團隊應該兩者並用，而且這類團隊比表面上看起來更多：他們在開放檢查點上做原型，在 API 上提供服務。Voxtral 4B T​TS 提供你一個本機模型，可用來測試提示詞、聲音與失敗模式，且每次呼叫零成本、資料不離開組織；Voxtral 3 T​TS 則提供生產環境端點，具備語言涵蓋範圍與可銷售授權。兩者同屬一個家族血統，但 API 介面不同，因此要預期提示詞需要重新調校——127 分的品質差距代表的是不同模型，不是版本升級，而在 4B 上表現某種行為的方向控制，也不一定會轉移過來。

如果生產路徑必須撐過供應商中斷，這就是把語音合成呼叫放在路由器後方、而非直接呼叫 Mistral 的理由。OrcaRouter 提供一個相容於 OpenAI 的端點，涵蓋 200 多個模型，並以 0% 加成直接轉嫁供應商的定價，因此某個合成後端發生中斷時會容錯移轉，而不是默默停擺——而負責產出夜間批次語音的語音管線，正是端點掛掉會賠上一整晚、而非一個請求的那種工作負載。Mistral 的模型可透過 Mistral 自家的 API 及多個第三方平台存取；在圍繞特定模型 ID 設計之前，請先查閱型錄確認目前是否可用。

Mistral 尚未回答的問題

Voxtral {{1}}3 TTS{{/1}} 會取得開放權重嗎？三月那款模型確實有，且是以非商業授權釋出，並成為歐洲實驗室所提供之開放 TTS 檢查點應有樣貌的基準。十月發布的內容完全沒有重複這一點。該頁面明確說明 API 存取與私有部署，卻對下載隻字不提，這正是 Mistral 在數月後釋出權重之前，對旗下數個文字模型所用過的相同模式。

如果權重真的釋出，比較就會徹底改變：授權條款將決定開放模型是否可商業使用，而先例——CC BY-NC 4.0——顯示它們不會可商業使用。這會讓情況大致維持現狀：可下載的模型是研究產物，可用的那個則是服務。

另一個尚未解答的問題是，4B 是否會保留其 API 上架狀態。Mistral 的語音定價表列出了新系列，卻未提及三月模型，而 Artificial Analysis 仍以 16 美元追蹤它，且有活躍主機。歷史上，Mistral 一直讓較舊的語音模型在長尾期間仍可呼叫；若此情況維持，團隊便有一個真正有用的備援——一個稍差、稍貴，但仍是不同部署的模型。若不是這樣，任何在voxtral-mini-tts-latest上於三月建置的人，都需要在下一次帳單前確認該別名現在解析到哪個模型。

簡短版：Voxtral 3 T​TS 是更好的模型，卻是更差的資產。若重視語言、品質與代理堆疊，就選它；本機工作、短參考音訊複製，以及它已擅長的九種語言，則保留 Voxtral 4B T​TS。唯一明確正確的遷移，是從 4B 的託管 API 轉到新的 API——同一家供應商、相同的授權立場、更便宜也更好——而這是本次比較中唯一零成本就能做的動作。