Mistral 发布 Voxtral 3：转写词错率 2.1% 排独立榜第三，语音 agent 每分钟 $0.04 起
Mistral 发布 Voxtral 3：三个转写、两个合成模型加一个语音 agent SDK，独立榜上转写词错率 2.1% 排第三、合成 Elo 1219，语音 agent 每分钟 $0.04 起。
Mistral 的语音文档里，五个 Voxtral 3 模型页都标着 10 月 20 日、Public Preview v3.0。1 公告页的发布时间写的是 10 月 22 日上午 9 点，欧洲中部时间。2
这五个模型分两组：三个把语音转成文字，两个把文字合成语音。3 把两组串起来的是一个语音 agent SDK，跑在 LiveKit 上。
这轮值得看的理由落在第三方榜上。Artificial Analysis 已经给转写和合成这两个方向打了分，位置和官方公告里的说法不一样，做选型的人可以直接拿去比。
先说结论
- 形态：三个转写模型、两个合成模型，加一个语音 agent SDK，一次放出。3
- 价格锚点：转写每分钟 $0.0035 起，实时转写 $0.008，语音合成 $13/百万字符，语音 agent 每分钟 $0.04 起。2
- 转写定位：Small Transcribe 3 的独立词错率是 2.1%，在 59 个被测模型里排第三。4
- 合成定位：Voxtral 3 TTS 的盲测 Elo 是 1219，在 Provider Voice Arena 排第 12，比自家上一代高 128 分。5
- 可用性：API 当天可用，欧洲、美国、全球三个端点；自部署要联系销售，权重没有放出来。26
- 最需要留神的地方：语言覆盖在三份官方材料里给了三个数字，最大的是 35+ 语言、50+ 方言，最小的是 9 种语言。12
快速核对
| 项目 | 内容 | 来源 |
|---|---|---|
| 名称与时间 | Voxtral 3；文档页标 10 月 20 日上线，公告 10 月 22 日发布，状态 Public Preview | 模型页 · 公告 |
| 现在能做什么 | API 已可用（Public Preview），Studio 能直接试；私有化要谈；Voxtral 2 的调用要按迁移清单换模型 ID | 公告 · 迁移文档 |
| 转写三款 | Small Transcribe 3（voxtral-small-transcribe-3-0）、Mini Transcribe 3（4B 参数）、Mini Transcribe Realtime 3 | 文档总览 |
| 合成两款 | TTS 3（voxtral-mini-tts-3-0）、TTS Realtime 3（voxtral-mini-tts-realtime-3-0） | 文档总览 |
| 价格 | 转写 $0.0035/分钟（批处理）、$0.0040/分钟、实时 $0.008/分钟；合成 $13/百万字符 | 公告价格表 |
| 语音 agent | 推理用 Mistral Small 4 时 $0.04/分钟，换更大的模型 $0.08/分钟 | 公告价格表 |
| 转写上下文 | Small 32k；Mini 在总览页写 65,536 token，音频与词表共用 | 模型页 · 总览 |
| 实时延迟 | 官方称 sub-500ms；文档写可配 80ms 到 2,400ms | 模型页 · 公告 |
| 合成细节 | 34 个情绪标签、2 个节奏标签、5 种输出格式、WAV 24kHz、首音频约 90ms | TTS 模型页 |
| 声音克隆 | 普通克隆用参考音频；Pro Voice 用 30 分钟音频复刻音色、情绪与说话风格 | 公告 |
| 接入方式 | Mistral API（欧洲 / 美国 / 全球端点）、Studio 试用；SDK 走 mistralai[realtime] 的 WebSocket | 文档总览 |
| 部署 | API 托管，或私有化到自己的机器与专有云，需联系销售 | 公告 |
| 权重与许可 | Hugging Face 上尚无 Voxtral 3 仓库，许可未公布 | 模型列表 |
| 官方评测 | FLEURS 45 语言词错率、cpWER 说话人分离、关键词召回、Artificial Analysis 词错率指数 | 公告 |
| 第三方评测 | 转写 AA-WER 2.1%（Small）/ 2.2%（Mini）；合成 Elo 1219 | 转写榜 · 合成榜 |
一条流水线，四个阶段各是一个模型
语音 agent SDK 的结构可以拆成四段：转写模型听，推理模型想并调工具，合成模型说，判停模型决定什么时候该它说。2
每一段都是独立模型，这是它跟端到端语音模型的区别所在。换推理模型、换声音、换语言，都不必重写整条 agent。1
官方给的指标是每一轮在一秒以内完成，并且能在对方插话时停下。2 电话走 SIP，网页和应用走 WebRTC，可以接进现有的呼叫中心与 IVR。
转写：官方说第一，独立榜排第三
官方把 Small Transcribe 3 定位成旗舰转写模型，对手点名了 Whisper large-v3、Scribe v2、Gemini 3.5 Transcribe 和 Microsoft AI Transcribe 2。1
Artificial Analysis 的独立结果里，它的加权词错率（AA-WER，把三个口音与场景数据集按音频时长加权）是 2.1%，排在所有被测模型的第三位。4 前面的两个是阿里的 Fun-Realtime-ASR-preview（1.7%）和微软的 MAI-Transcribe-2（2.0%）。
第四、第五名是 ElevenLabs 的 Scribe v2（2.2%）和 Mistral 自己的 Mini Transcribe 3（2.2%）。4 官方点名的 Scribe v2 与 Gemini 3.5 Transcribe，在这张榜上是 2.2% 和 2.6%，也都在它后面。
代际差别不算小。上一代 Voxtral Small 是 2.8%，Mini Transcribe 2 是 3.6%，这一代分别降到 2.1% 和 2.2%。4
速度因子是每秒转写 64.7 秒音频（Small）和 75.4 秒（Mini），折算价格是每千分钟 $4.00 与 $3.50。4 同一个榜上，微软的 MAI-Transcribe-2 速度因子 301.3，阿里的 Universal-3.5 Pro 是 100.3，转写快到什么程度也是选型的一条。
功能面补的是干活要用的东西：说话人分离、时间戳、用关键词与自由文本做上下文偏置、判停。3 上下文偏置不需要微调，把产品名、技术名词丢进去就能提高召回。
实时版的第三方成绩还没有。流式榜上找不到 Voxtral 的条目，现在能引用的只有官方那句 sub-500ms。7
合成：Elo 1219，比自家上一代高 128 分
合成这一侧，第三方给的是盲测偏好分。Voxtral 3 TTS 拿到 Elo 1219，第 12 名，区间 11 到 17，样本 1,710 票。5
榜首是 ElevenLabs 的 Eleven v4 Turbo（1336，$40/百万字符），第二名 Eleven v4 是 1332，价格 $80。5 我们 9 月写过的那对 Google 模型，Gemini 3.8 Flash TTS 现在 1280、$16.5。
价格上 Voxtral 3 TTS 是 $13/百万字符，比榜首便宜三分之二，比 Gemini 3.8 Flash TTS 便宜两成。2
涨分幅度比排名更值得看。Mistral 今年 3 月的 Voxtral TTS 是 Elo 1091、第 46 名、$16/百万字符；同一张榜上，新一代涨了 128 分，价格降了 19%。5
表达力的做法是把情绪写成标签。模型支持 34 个情绪标签和 2 个节奏标签，从 Voxtral 2 那种「一个情绪一条预置声音」改成在文本里插
[emotion=...]。8发音控制与风格指令是另一条线：可以给生僻词标音素，也可以调一个「表达力」系数，代价是音色相似度。8 风格指令在首发时还不开放。
合成侧的官方评测由内部评测和 BeSimple AI 的 Voice Code Bench 组成，判分模型是 gemini-3.8-flash，单组样本 237 到 377 句。2 这类自评能看出方向，分数本身别当独立结论用。
账单怎么算
Voxtral 3 有三种计价口径，混着看容易算错。2
按分钟算的是转写。Mini 批处理 $0.0035/分钟，Small $0.0040/分钟，实时版 $0.008/分钟。转写一万分钟音频，分别是 $35、$40 和 $80。
按字符算的是合成。$13 换一百万字符；按每分钟 150 字的口播速度估，够说 110 小时左右。2
按分钟算的还有语音 agent，$0.04/分钟起，这个价包含转写、推理和合成三段的消耗。2 拿我们 10 月写过的 Grok Voice 3.0 对照，xAI 那边语音到语音是 $0.08/分钟；两家都按通话时长计费，Mistral 的报价低一半。
转写与合成也能横向比一次。Mistral 的转写折成每小时 $0.21 到 $0.24，xAI 的 REST 转写是 $0.10/小时、流式 $0.20/小时；合成这一侧，Mistral $13/百万字符，xAI $15。9
一通三分钟的客服电话，用 Mistral 这套是 $0.12。一天一万通、每通三分钟，就是 30,000 分钟、$1,200 一天；同样的量走 Grok Voice 3.0 是 $2,400。9
该不该试
- 做客服、预约、外呼的：这套东西的价值在工具调用那一段，能查单、改约、下单；按分钟计费也方便先跑一个话务池。2
- 做会议与访谈转写的：词错率 2.1% 够用，说话人分离与时间戳都在；成本按分钟算，比按 token 计费的通用模型好估。4
- 要字级时间戳的：这一代的
word粒度被取消了，只返回 segment，传word会收到 400。8 - 已经接了 Voxtral 2 的：模型 ID 要逐个换；实时会话在建连第一块音频到达后就锁参数，之后再
session.update会被拒。8 - 要在私有环境跑的：可以私有化部署，官方只留了「联系团队」一个入口，权重没放出来，报价也未公开。2
- 想先小规模验的：API 当天可用，Studio 有语音、转写、克隆三个试玩页。2
- 给中文场景选型的：中文在 50 语言清单里，但官方那张 FLEURS 45 语言表把中文按字符错误率算，中文单独的手感只能自己测。2
还没有的数字与对不上的口径
- 语言覆盖有三个数：公告写 35+ 语言、50+ 方言，预置声音覆盖 18 种语言；转写模型页写 50 语言；合成模型页写 9 种语言。1210
- 实时版语言数对不上：公告写 35 种以上，实时模型页的产品卡写 40 种以上。11
- 转写上下文两处不一：模型页写 32k，总览页表格写 65,536 token，音频与词表共用这个窗口。3
- 实时版没有独立分数：Artificial Analysis 的流式榜上没有 Voxtral 条目，sub-500ms 只有官方说法。7
- 权重与许可：Hugging Face 的 mistralai 组织下没有 Voxtral 3 仓库，最新一个是 10 月 8 日的阿拉伯语实时版。6
- Pro Voice 没有价目：30 分钟音频的定制音色要单独谈，公告与文档都没给数字。2
- 并发与限速未公开：文档没有给出各模型的并发会话数与配额，大批量上线前要向 Mistral 单独确认。3
References
- 1Voxtral Small Transcribe 3 模型页
docs.mistral.ai
- 2Voxtral 3 公告
mistral.ai
- 3语音文档总览
docs.mistral.ai
- 4Artificial Analysis 转写榜
artificialanalysis.ai
- 5Artificial Analysis 合成榜
artificialanalysis.ai
- 6Hugging Face mistralai 模型列表
huggingface.co
- 7Artificial Analysis 流式转写榜
artificialanalysis.ai
- 8从 Voxtral 2 迁移
docs.mistral.ai
- 9SpaceXSI 价目页
docs.x.ai
- 10Voxtral TTS 3 模型页
docs.mistral.ai
- 11实时转写模型页
docs.mistral.ai
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.