Voxtral 3：Mistral 將四款語音模型與一套語音代理 API 放上同一個計費表

Mistral 10 月 20 日發布內容中真正有趣的數字，不是詞錯誤率，而是每分鐘 0.04 美元。這是該公司對 Voxtral 3 語音代理收取的費用——這是一條端到端管線，能聽見來電者、用 Mistral Small 4 推理其所說內容、呼叫工具，然後回話。把 Mistral 分開販售的各部分加總起來，同一分鐘反而更貴：Voxtral Mini Transcribe Realtime 3 為 0.008 美元，加上正常語速下約 0.02 美元的 Voxtral Mini T​TS 3，再加上最上層的推理模型。綁售的那一分鐘才是產品。其餘一切——Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3、Voxtral Mini Transcribe Realtime 3、Voxtral Speech 3——都作為可單點購買的元件販售，同時也用來證明這些元件夠好，值得綁售。 語音代理管線會以費率卡從未提及的方式失敗，而已記錄的事件都收錄在 OrcaRouter AI Incident Archive，其中每一條都附有自己的來源、嚴重程度、可信度等級與爭議標記。

每個模型實際上新增了什麼

這是一次整個產品家族的更新，而不是單一機型的版本升級。每一款都有各自明確的定位與不同的價格，而這種區分比共用的名稱更重要。

• Voxtral Small Transcribe 3 — 精準度層級。每分鐘 $0.004、32k 上下文，以及 Mistral 針對含說話者分離的轉錄所提出的旗艦級主張。它還能進行翻譯、語音問答、摘要與函式呼叫，這使其成為家族中更接近音訊語言模型、而非單純轉錄工具的一員。

• Voxtral Mini Transcribe 3 — 40 億參數，每分鐘 $0.0035，32k 上下文。Mistral 公布了這個模型的規模，卻對 Small 模型的大小秘而不宣。這種不對稱值得注意：迷你模型正是針對大量處理與邊緣部署而定位的，因此它的體積是一大賣點；旗艦模型的體積則未披露。

• Voxtral Mini Transcribe Realtime 3 — 透過 WebSocket 串流，每分鐘 $0.008，延遲可設定為 80 毫秒至 2,400 毫秒，並具備結合聲學與語意線索的語句結束偵測，而非等待靜音。文件上寫「低於 500 毫秒」；可設定的下限遠低於此，而把延遲調低所付出的準確度代價相當可觀——請參閱基準測試章節。

• Voxtral Speech 3（文件中以 Voxtral Mini T​TS 3 的名稱販售）— 每百萬字元 13 美元，首段音訊約 90 毫秒，34 個情緒標籤與兩個語速標籤，支援九種語言、零樣本與「專業」語音複製。Mistral 的發布頁面指出，語音複製需要 30 分鐘以上的參考音訊。

其底層是語音代理 SDK，建構於 LiveKit 之上，並將串流 ASR、LLM 與 TTS 整合為單一管線。它可接收 SIP 通話、WebRTC 工作階段，以及既有的電話或 IVR 中繼線路，支援插話（barge-in），並讓你能更換推理模型、語音或語言，而無須重建代理。Mistral 宣稱延遲低於一秒。

基準表格，請仔細閱讀

Mistral 公布了自家的數據，而這些數字相當亮眼。在 FLEURS 45 巨集平均詞錯誤率上，Voxtral Small Transcribe 3 在強制指定語言的情況下達到 4.1%，在自動推斷語言的情況下則為 4.0%。Voxtral Mini Transcribe 3 則是 4.6% / 4.5%。在同一份廠商比較表中，G​emini 3.5 Transcribe 為 6.1% / 4.5%，Scribe v2 為 4.9%，G​PT Transcribe 為 6.3% / 5.6%，而 Whisper large-v3 則為 16.0% / 14.9%。

那張表上有兩件事值得再看一眼。第一，Microsoft 的 MAI-Transcribe-2 落在 4.1% / 4.0%——與 Voxtral Small Transcribe 3 完全相同，連小數點後都一樣。在一份廠商表格中，旗艦產品與最接近的競品精確打平，這要嘛是誠實的平手，要嘛是四捨五入後的平手；Mistral 沒有說明是哪一種。第二，Whisper 的那個數字並不是其他人引用 Whisper 時所用的數字。Whisper large-v3 在 Open ASR Leaderboard 上的平均 WER 為 7.44，而 Turbo 變體在 Artificial Analysis 的獨立榜單上是 4.6%。16% 是 Whisper 在特別困難的多語 FLEURS 音訊上看起來的樣子，而不是它在正式生產環境的英文中看起來的樣子。對競品採用最嚴苛的可用切片，是常見的行銷手法，但終究是行銷手法。

獨立榜單呈現出更緊湊的結果。Artificial Analysis 顯示 Voxtral Small Transcribe 3 的 AA-WER 為 2.1%，Voxtral Mini Transcribe 3 為 2.2%——截至本文撰寫時，兩者在非串流排行榜上分居第一與第二；而 MAI-Transcribe-2 以 2.0% 位居其上的位置，則取決於讀取榜單的時間。這些差距小到足以讓排名在重新執行後變動。任何人若從 0.1 個百分點的差距中宣稱贏家，宣稱的其實是雜訊。

即時層在哪裡把準確度還回來

Mistral 公布的串流數據是最有用的，因為它們最不討喜。在 FLEURS 35 上，離線 Voxtral Mini Transcribe 3 基準的 WER 是 4.0%。即時模型會隨著你要求它更早回答而單調地變差：

• 2,400 毫秒延遲 — 5.7% WER

• 960 毫秒 — 6.0%

• 480 毫秒 — 6.4%

• 240 毫秒 — 7.4%

相較之下，Mistral 列出 Gemini 3.5 Realtime Transcribe 為 4.2%、Microsoft 的串流層級為 5.8%、GPT Live Transcribe 為 8.4%，以及 Scribe v2 Realtime 為 8.7%。所以誠實的解讀是：在舒適的 2.4 秒延遲下，Voxtral 即時層級與 Microsoft 具競爭力，並勝過 OpenAI 與 ElevenLabs 的串流模型，但贏不過 Google 的；而在 240 毫秒時，除了墊底的兩個模型外，它比其他所有模型都差。低於 500 毫秒的主打宣稱是真的；只是相對於離線執行同一段音訊，會讓你犧牲大約三個百分點的準確率。

說話者分離是這個系列看起來最強的地方，也是供應商比較表最能發揮作用的地方。在串接最小排列 WER 上，Mistral 報告 Voxtral Small Transcribe 3 為 18.4%，Mini 為 18.6%，Pyannote Orchestrator Precision 3 為 19.0%，MAI-Transcribe-2 為 20.3%，G​emini 3.5 Transcribe 為 38.4%。在說話者歸屬上比 G​emini 高出 20 個百分點，正是足以決定產品走向的數字——會議轉錄、通話品管——但這是一家供應商的測試框架對上另一家供應商的模型，且尚無第三方重跑過。

以小時計，這個價格能買到什麼

按分鐘計費很容易比較，但當替代方案是按 token 計費時，也很容易算錯。換算成一千個音訊小時——大約是一家中型聯絡中心一個月的用量：

• Voxtral Mini Transcribe 3 — 每 1,000 小時 210 美元，每分鐘 0.0035 美元

• Voxtral Small Transcribe 3 — 每 1,000 小時 $240，每分鐘 $0.004

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

• 語音代理 API，搭載 Mistral Small 4 推理 — 每 1,000 小時對話 $2,400，即每分鐘 $0.04

代理層級的價格是轉錄層級的五到十一倍，而只要記得它包含推理模型與語音合成，這個倍數就是正確的數量級。利潤也正是在這裡，而 Mistral 的定位——身分驗證、帳單核對、預約掛號——是針對那些完成一項任務的價值高於一分鐘運算成本的通話而選定的。

對整份價目表有一個結構性提醒：這裡每個模型都處於公開預覽階段，而非 GA，而且語音功能的預覽定價歷來都會變動。目前沒有任何公開承諾保證 $0.0035 會維持在 $0.0035。

Mistral 未推出什麼

沒有權重。發佈頁面表示 Voxtral 3 可透過 Mistral 的 API 使用，提供歐盟、美國與全球端點，並且「可在自有基礎設施上自行部署」——但它未公佈任何授權條款、四款模型中有三款未公佈參數量，也沒有 Hugging Face 儲存庫。作為背景，Mistral 先前的語音發佈皆可下載：Voxtral Small 24B 2507 在 Hugging Face 上採用 Apache 2.0，Voxtral 4B TTS 2603 採用 CC-BY-NC-4.0，而 Voxtral Mini 4B Realtime Arabic 於 10 月 8 日上架，完全未宣告授權條款。這次發佈是第一個沒有任何可下載成員的 Voxtral 世代。此處的自行部署看來像是企業合約，而非下載。

同樣付之闕如的還有：任何音訊長度上限、TTS 或代理層級的任何上下文數字，以及端點區域以外的任何保留或資料駐留細節。如果你正在為受監管的通話錄音評估此方案，這三個缺口正是應在採購洽談中釐清、而非從發布文章中尋求解答的地方。

如何實際嘗試

Voxtral 3 目前不在 OrcaRouter 的目錄中，因此評估它的途徑是 Mistral 自家的 API 與 Studio 測試環境，這些環境涵蓋轉錄、語音生成、聲音複製與代理流程。路由器真正有幫助的地方，在於決策的後半段：你幾乎不會只想用一套語音技術堆疊；而把負責處理你的代理工具呼叫的推理模型置於單一端點之後，意味著你可以在同一份轉錄稿上，將 Mistral Small 4 與十幾個其他模型比較，而不必重建流程。OrcaRouter 會轉遞供應商定價，僅收取 0% 加價，並在供應商之間自動容錯切換，這在正是這種情況下最為重要——一個沒有過往可用性紀錄可供參考的預覽層級模型。

如果你這週就要進行這件事，實務上的評估順序是：用同樣的 200 個檔案，把你手上最糟的音訊分別跑過 Voxtral Small Transcribe 3 和 MAI-Transcribe-2，因為這兩家廠商公布的 FLEURS 分數相同，只有你的音訊能分出高下。接著，分別以 960 毫秒和 2,400 毫秒跑即時層級，並統計回合結束偵測器有多少次在來電者話說到一半時把對方切斷——在即時語音代理中，這種失敗模式造成的成本，比這個系列中任何 WER 差異都更高。然後，用你的 containment rate 來衡量代理每分鐘成本，而不是拿它對照你的轉錄帳單。

看什麼

有三件事將決定這次發布能否經得起時間考驗。第一，是對語者分離說法的獨立重跑結果，因為那是這次發布中唯一真正可能改變購買決策的數字。第二，是權重是否會釋出，因為可下載的 Voxtral 會立刻成為歐洲語言語者分離的預設開放選項，並會削弱上述整套定價論述。第三，是次秒級的代理延遲能否在真實電話環境中成立，而不是只在法文轉診信的示範裡成立——插話與輪次結束偵測正是語音代理通常失手的地方，而這兩者都無法靠廠商部落格文章作為證據。