Hva som ble sluppet
Mistral har publisert Voxtral 3, en familie talemodeller for transkribering, strømmende transkribering og syntese, på bloggen sin. Utvalget består av Voxtral Small Transcribe 3 for nøyaktighet i batch, Voxtral Mini Transcribe 3 på 4 milliarder parametere for effektivitet, Voxtral Mini Transcribe Realtime 3 for strømming og Voxtral Speech 3 for tekst til tale. Et SDK for stemmeagenter bygget på LiveKit kjeder dem sammen til én pipeline.
Batchtranskribering dekker over 50 språk, inkludert EUs 24 offisielle; sanntidsmodellen dekker over 35; og talemodellen dekker over 35 språk og 50 dialekter, med stemmeforvalg på 18. Alle tallene nedenfor er Mistrals egne, publisert på produktsiden og ikke målt uavhengig.
Latensskatten, i Mistrals egne tall
Det mest nyttige på siden er sanntidsdiagrammet, fordi det setter en pris på hurtigheten i stedet for å bortforklare den. Målt på FLEURS over 35 språk ligger Mini Transcribe 3 som frakoblet referanse på 4,0 prosent gjennomsnittlig ordfeilrate. Kjørt som strøm stiger feilene for hvert trinn ned i latens: 5,7 prosent ved 2 400 ms, 6,0 ved 960 ms, 6,4 ved 480 ms og 7,4 ved 240 ms.
Det er en avveining leverandøren selv publiserer: et svar på et kvart sekund koster rundt 85 prosent flere ordfeil enn samme modell med hele filen. Mistral plasserer Gemini 3.5 Realtime Transcribe på 4,2 prosent 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 oppgir Mistral rundt 4,1 prosent ordfeil for Voxtral Small Transcribe 3 med språket låst og 4,0 med automatisk gjenkjenning, mot rundt 16,0 og 14,9 prosent for Whisper large-v3 — den eldste sammenligningen i diagrammet, og den som smigrer resultatet mest.
Der selskapet sier det leder
Diariseringstallene er den sterkere påstanden. Som gjennomsnitt over fem samtalesett oppgir Mistral 18,4 prosent for Voxtral Small Transcribe 3 og 18,6 for Mini, mot 19,0 for Pyannotes Precision 3-orkestrerer, 20,3 for Microsoft AI Transcribe 2, 23,0 for Scribe v2 og 38,4 for Gemini 3.5 Transcribe. Forrige generasjon, Voxtral Mini Transcribe 2, ligger på 30,9 prosent — den største enkeltforbedringen på siden, og en der Mistral måler seg mot seg selv.
Priser og rørlegging
Mistral tar 0,0035 dollar per minutt for Mini Transcribe 3, 0,0040 for Small Transcribe 3 og 0,008 for sanntidsmodellen, med talesyntese til 13 dollar per million tegn. Stemmekloning krever rundt 30 minutter innspilt lyd. Transkriberingsmodellene støtter diarisering, nøkkelordsstyring og registrering av turslutt; agentstakken når telefoner via SIP og nettlesere via WebRTC, og Mistral oppgir at en hel agentrunde blir ferdig på under ett sekund.
Modellene er tilgjengelige via Mistrals API på europeiske, amerikanske og globale endepunkter, i Studio-sandkassene og for egen drift på forespørsel.
Det som mangler
For et selskap hvis identitet bygger på åpne vekter, er siden taus om lisensiering: den sier ikke om noen Voxtral 3-vekter slippes, på hvilke vilkår, eller om familien bare finnes som API. Den oppgir heller ingen maksimal lydlengde, ingen kontekstgrense, ingen parametertall for Small-modellen eller talemodellen, og ingen uttrykkelig slippdato — den eneste datoen på siden er en fotnote om at taleevalueringene ble generert 20. oktober.
Tallene å vente på er de uavhengige. Mistrals sanntidsdiagram er uvanlig ærlig om hva strømming koster; om ledelsen i batch og diarisering holder mot andres testsett, er den delen som ennå ikke står på papiret.
