Voxtral 3 對決 Gemini 3.5 Transcribe：Mistral 稱它贏在字詞——Google 贏在其餘一切

在兩家廠商唯一都同意公布的指標上，這兩者差距微乎其微。 Voxtral Small Transcribe 3——Mistral 的旗艦轉錄器，出自 Voxtral 3 系列（2026 年 10 月 20 日發布）——在 Artificial Analysis 的非串流排行榜上，詞錯率為 2.1%。 G​emini 3.5 Transcribe，自 2026 年 8 月 26 日起，G​oogle 一直將其作為正式可用模型提供，在同一排行榜上的詞錯率為 2.6%。零點五個百分點大約等於每千字多出五個錯誤。但這不是選擇其中一款的理由。理由在於文字之外的種種：G​emini 可對八位講者進行講者分離，接受一千個自訂詞彙詞條，一次處理即可清理不流暢處並解決自我修正，並涵蓋 85+ 個地區設定。根據 Voxtral 自家表格，其講者分離明顯更好，涵蓋 50+ 種語言，且每分鐘費率低於 G​oogle。本頁討論的是這些差異中哪些真正會影響到你的管線。 詞錯率不會記錄兩家廠商的轉錄 API 在負載下如何失效，而那些事件收錄於 OrcaRouter AI Incident Archive，其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。

每一個在賣什麼

Mistral 對 Voxtral Small Transcribe 3 的定位是準確性加上講者歸屬。它是該系列中的「旗艦轉錄與語者分離模型」，原生支援時間戳與語者分離，還具備翻譯、語音問答、摘要與函式呼叫功能——這委婉地說明它是會進行轉錄的音訊語言模型，而非單純的轉錄器。每分鐘 $0.004、具備 32k 上下文，其定價使其成為託管轉錄 API 的直接替代品。

Google 對 Gemini 3.5 Transcribe 的定位，著眼於語音辨識完成後逐字稿會如何處理。預設的 `verbatim` 模式會保留填充詞、起頭失誤與重複內容；`smart` 模式則會移除這些內容並套用結構化格式；自訂詞彙可讓辨識結果偏向你的專業術語；詞級時間戳記會以註解形式回傳；說話者標籤則以 `spk_1`、`spk_2` 等形式呈現。檔案會透過 Interactions API 處理，串流則使用獨立的 `gemini-3.5-transcribe-live` SKU；此外，它還提供 Mistral 未提供的免費方案。

簡單來說：Mistral 賣給你的是更靈敏的耳朵，Google 賣給你的是更好用的編輯器。

逐維度地

• 獨立準確度 — Voxtral Small Transcribe 3 以 2.1% 的 AA-WER，對比 Gemini 3.5 Transcribe 的 2.6%，兩者皆出自 Artificial Analysis 的非串流排行榜。Mistral 自家的 FLEURS 表格則顯示更大的差距：在強制指定語言下，Voxtral 為 4.1%、Gemini 為 6.1%，但在自動推斷語言時僅為 4.0% 對 4.5%。獨立排行榜的結果與自動推斷語言的解讀相符，因此應將 6.1% 這個數字視為 Mistral 表格中較寬鬆的一端，而非主要結論。

• 價格——每分鐘 $0.004 對比 $0.005，兩者皆為混合的定價表費率。換算下來，每一千音訊小時是 $240 對比 $300。這是實實在在的差距，但本身並不具決定性；20% 的差距，只要重跑一次不良批次就會被抹平。

• 講者歸屬 — Voxtral Small Transcribe 3 在 Mistral 的測試框架上，串接最小排列 WER 為 18.4%，而 Gemini 3.5 Transcribe 在同一份廠商表格中為 38.4%。這是發布文章裡最大的差距，也是最可能真正重要的差距。誠實地加上但書：這兩個數字都來自 Mistral，且是在 Mistral 的測試框架上跑出來的，而 Google 並未公布可供核對的同等語者分離分數。不過，Google 的文件確實揭露了一個並非基準測試的硬性上限——八位講者，且三位以上時講者歸屬標示為「實驗性」——對會議轉錄而言，這是產品限制，而不是品質問題。

• 語言涵蓋範圍 — Voxtral：50 多種語言，包含所有 24 種歐盟官方語言，以及一組低資源的亞洲與印度語族語言。G​emini：85 多個地區設定，支援 BCP-47 提示與句內語碼轉換。G​oogle 的清單更長，而且更重要的是，它是有列名的——你可以查核你的地區設定是否在清單上。Mistral 的「50+」只是個數字，沒有清單。

• 音訊限制 — G​emini 將單次音訊上限設為一小時；若你要求說話者分離或逐字時間戳記，則降為三十分鐘。Mistral 則完全未公布 Voxtral Small Transcribe 3 的音訊長度上限。這種沉默並非優點。如果你會處理長檔案，這兩者之中只有 G​emini 能讓你無須詢問業務，就能據以估算工作佇列規模。

• 詞彙控制 — Gemini 最多可接受 1,000 個自訂詞彙（效果最佳約在 100 個以內），並明確警告自訂詞彙無法與說話者分離（diarization）或逐字時間戳記併用。Voxtral 的情境偏置（context biasing）接受關鍵詞與自由格式文字，而 Mistral 回報：使用提示時關鍵詞組召回率為 94.6%，未使用時為 81.4%。請注意這項說法的性質：這是「帶偏置的召回率」，而非「帶偏置的錯誤率」，而且是由廠商自行回報的數據。

• 自我修正處理 — G​emini 的 `smart` 模式會處理自我修正，並將口述數字與貨幣正規化。Mistral 並未提供同等且有文件記載的模式。如果你的音訊是充滿「不，等等，我是指」的訪談或客服中心通話，這可能就是最有可能決定選擇的單一功能。

• 串流 — G​emini 有一個正式上線的 SKU，混合費率約為每分鐘 $0.009。Voxtral 的串流層級則是另一個模型，Voxtral Mini Transcribe Realtime 3，每分鐘 $0.008，延遲可設定在 80 至 2,400 毫秒之間。兩家廠商的串流模型都不是準確度旗艦，因此將串流準確度與上述批次數字相比是範疇錯誤。

• 成熟度 — G​emini 3.5 Transcribe 自 2026 年 8 月 26 日起已正式推出（GA），並在公開排行榜上擁有獨立的 WER 分數。Voxtral Small Transcribe 3 自 2026 年 10 月 20 日起處於公開預覽階段，沒有運作時間紀錄、沒有正式推出日期，也沒有公開承諾其預覽價格會維持不變。

要測試的是說話者分離的編號。

如果在這項比較中有一句話應該讓你回去聽自己的音訊，那就是這句：Mistral 聲稱語者分離錯誤率為 18.4%，相較於 Gemini 的 38.4%，而 Google 並未公布任何對應數字。對於僅屬準確度等級的差異而言，這個差距大得可疑——純轉錄上的 2.1% 對 2.6%，並不能預測語者歸屬上會出現 2× 的差距。現有兩種解釋，只有你的資料能將它們區分開來。要麼 Gemini 的語者分離確實較弱，這符合其文件記載的八位說話者上限，以及針對三位以上說話者的「實驗性」註記；要麼 Mistral 的評測框架以一種中立重跑不會重現的方式，美化了自家模型。

實測：拿你手上最糟的四十分鐘多人對話音訊——有交叉談話、有一位講者在電話線上、至少有一處兩人同時搶話——把兩套都跑一遍，然後計算講者切換次數，而不是字詞錯誤。這花一個下午，就能解決兩家廠商都無法替你解決的爭議。

逐字稿在大規模情境下實際的成本是多少

以一個每月錄製 4,000 小時的支援組織來算這筆帳。按每分鐘 $0.004 計，Voxtral Small Transcribe 3 是 $960。按每分鐘 $0.005 計，G​emini 3.5 Transcribe 是 $1,200。每月 $240 的差距真實存在，約等於每個工作日一小時工程師工時，而這正是衡量它的正確方式：相對於營運成本對你而言為零的自架替代方案，它有意義；如果 G​emini 的 `smart` 模式能省去你原本要付費的一道後處理步驟，它就無關緊要。

那個後處理步驟通常正是價格比較出問題的地方。一份帶有填充詞和未解決自我修正的原始逐字稿，需要一輪清理——不是你自己維護的正規表達式層，就是每個檔案一次 LLM 呼叫。而來自 Gemini 的已清理、已加標點、已標註說話者的逐字稿則不需要。如果你的管線目前每份逐字稿都要花一次語言模型呼叫來修正格式，請把那次呼叫也納入比較，再得出 Mistral 便宜 20% 的結論。

對於想要兩者兼得的團隊——在講者身分重要的通話上採用 Mistral 的語者分離，在大量封存檔上採用 Gemini 的清理功能——限制通常不是金錢，而是金鑰與供應商。OrcaRouter 的模型目錄目前並未收錄 Voxtral 3 或 Gemini 3.5 Transcribe，因此這個特定組合仍意味著要簽兩份合約。我們能幫忙的地方是更上一層：用來摘要或路由那些逐字稿的推理模型，可以來自單一端點，並具備自動容錯移轉，這樣一來，語音供應商的選擇就不會同時鎖死你下游模型的選擇。

裁決

如果你的問題是講者，而且語言屬於歐洲語言，就選 Voxtral Small Transcribe 3——講者分離的宣稱、24 種歐盟語言，以及低 20% 的費率全都指向同一方向，而且在獨立排行榜上的 2.1% WER 意味著你不必為此犧牲準確率。如果你的問題是逐字稿本身：自我修正、格式、大量具名地區設定清單，以及可據以規劃容量的公開音訊長度上限，就選 G​emini 3.5 Transcribe。我不會做的一件事，就是拿 0.5 個百分點的 WER 差距來挑選。它比任何排行榜上逐次執行的變異還小，而且兩家廠商都從同一系列評估中印出對自己有利的數字。

Voxtral Small Transcribe 3 結束預覽階段後會如何，仍是懸而未決的問題。若 Mistral 維持 $0.004，且獨立重跑的語者分離確認了 18 個百分點的差距，這對任何從事會議或通話分析的人來說，就不再是難分高下的選擇。若正式推出（GA）時價格有變，那麼理由就又縮小到僅剩語言涵蓋範圍與語者歸屬。