Hvad der blev udgivet
Mistral har offentliggjort Voxtral 3, en familie af talemodeller til transkribering, strømmende transkribering og syntese, på sin blog. Udvalget består af Voxtral Small Transcribe 3 til nøjagtighed i batch, Voxtral Mini Transcribe 3 på 4 milliarder parametre til effektivitet, Voxtral Mini Transcribe Realtime 3 til strømning og Voxtral Speech 3 til tekst til tale. Et SDK til stemmeagenter bygget på LiveKit kæder dem sammen til én pipeline.
Batchtranskribering dækker over 50 sprog, heriblandt EU’s 24 officielle; realtidsmodellen dækker over 35; og talemodellen dækker over 35 sprog og 50 dialekter, med stemmeforvalg på 18. Alle tal nedenfor er Mistrals egne, offentliggjort på produktsiden og ikke målt uafhængigt.
Latensskatten, i Mistrals egne tal
Det mest nyttige på siden er realtidsdiagrammet, fordi det sætter en pris på hurtigheden i stedet for at bortforklare den. Målt på FLEURS over 35 sprog ligger Mini Transcribe 3 som offline reference på 4,0 procents gennemsnitlige ordfejlrate. Kørt som strøm stiger fejlene for hvert trin ned i latens: 5,7 procent ved 2.400 ms, 6,0 ved 960 ms, 6,4 ved 480 ms og 7,4 ved 240 ms.
Det er en afvejning, leverandøren selv offentliggør: et svar på et kvart sekund koster omkring 85 procent flere ordfejl end samme model med hele filen. Mistral placerer Gemini 3.5 Realtime Transcribe på 4,2 procent i samme diagram, Microsoft AI Transcribe 2 Streaming på 5,8, GPT Live Transcribe på 8,4 og Scribe v2 Realtime på 8,7.
For batchtranskribering oplyser Mistral omkring 4,1 procents ordfejl for Voxtral Small Transcribe 3 med sproget låst og 4,0 med automatisk genkendelse, mod omkring 16,0 og 14,9 procent for Whisper large-v3 — den ældste sammenligning i diagrammet, og den der smigrer resultatet mest.
Hvor selskabet siger, det fører
Diariseringstallene er den stærkere påstand. Som gennemsnit over fem samtaledatasæt oplyser Mistral 18,4 procent for Voxtral Small Transcribe 3 og 18,6 for Mini, mod 19,0 for Pyannotes Precision 3-orkestrator, 20,3 for Microsoft AI Transcribe 2, 23,0 for Scribe v2 og 38,4 for Gemini 3.5 Transcribe. Den forrige generation, Voxtral Mini Transcribe 2, ligger på 30,9 procent — den største enkeltforbedring på siden, og en hvor Mistral måler sig mod sig selv.
Priser og rørføring
Mistral tager 0,0035 dollar i minuttet for Mini Transcribe 3, 0,0040 for Small Transcribe 3 og 0,008 for realtidsmodellen, med talesyntese til 13 dollar per million tegn. Stemmekloning kræver omkring 30 minutters optaget lyd. Transkriberingsmodellerne understøtter diarisering, nøgleordsstyring og registrering af turafslutning; agentstakken når telefoner via SIP og browsere via WebRTC, og Mistral oplyser, at en hel agentrunde bliver færdig på under et sekund.
Modellerne er tilgængelige via Mistrals API på europæiske, amerikanske og globale endepunkter, i Studio-legepladserne og til egen drift efter anmodning.
Det der mangler
For et selskab, hvis identitet bygger på åbne vægte, er siden tavs om licensering: den siger ikke, om nogen Voxtral 3-vægte udgives, på hvilke vilkår, eller om familien kun findes som API. Den oplyser heller ingen maksimal lydlængde, ingen kontekstgrænse, ingen parametertal for Small-modellen eller talemodellen, og ingen udtrykkelig udgivelsesdato — den eneste dato på siden er en fodnote om, at taleevalueringerne blev genereret 20. oktober.
Tallene at vente på er de uafhængige. Mistrals realtidsdiagram er usædvanlig ærligt om, hvad strømning koster; om føringen i batch og diarisering holder mod andres testsæt, er den del, der endnu ikke står på skrift.
