Vad som släpptes
Mistral har publicerat Voxtral 3, en familj talmodeller för transkribering, strömmande transkribering och syntes, på sin blogg. Uppsättningen består av Voxtral Small Transcribe 3 för batchnoggrannhet, Voxtral Mini Transcribe 3 på 4 miljarder parametrar för effektivitet, Voxtral Mini Transcribe Realtime 3 för strömning och Voxtral Speech 3 för text till tal. Ett röstagent-SDK byggt på LiveKit kedjar ihop dem till en enda pipeline.
Batchtranskribering täcker över 50 språk, inklusive EU:s 24 officiella; realtidsmodellen täcker över 35; och talmodellen täcker över 35 språk och 50 dialekter, med röstförinställningar på 18. Alla siffror nedan är Mistrals egna, publicerade på produktsidan och inte oberoende uppmätta.
Latensskatten, i Mistrals egna siffror
Det mest användbara på sidan är realtidsdiagrammet, eftersom det sätter ett pris på snabbheten i stället för att bortförklara den. Mätt på FLEURS över 35 språk ligger Mini Transcribe 3 som offlinereferens på 4,0 procents genomsnittlig ordfelsfrekvens. Kört som ström stiger felen för varje steg ned i latens: 5,7 procent vid 2 400 ms, 6,0 vid 960 ms, 6,4 vid 480 ms och 7,4 vid 240 ms.
Det är en avvägning som leverantören själv publicerar: ett svar på en kvarts sekund kostar ungefär 85 procent fler ordfel än samma modell med hela filen. Mistral placerar Gemini 3.5 Realtime Transcribe på 4,2 procent i samma diagram, Microsoft AI Transcribe 2 Streaming på 5,8, GPT Live Transcribe på 8,4 och Scribe v2 Realtime på 8,7.
För batchtranskribering uppger Mistral omkring 4,1 procents ordfel för Voxtral Small Transcribe 3 med språket låst och 4,0 med automatisk identifiering, mot omkring 16,0 och 14,9 procent för Whisper large-v3 — den äldsta jämförelsen i diagrammet, och den som smickrar resultatet mest.
Där bolaget säger sig leda
Diariseringssiffrorna är det starkare påståendet. Som medelvärde över fem samtalsdatamängder uppger Mistral 18,4 procent för Voxtral Small Transcribe 3 och 18,6 för Mini, mot 19,0 för Pyannotes Precision 3-orkestrerare, 20,3 för Microsoft AI Transcribe 2, 23,0 för Scribe v2 och 38,4 för Gemini 3.5 Transcribe. Föregående generation, Voxtral Mini Transcribe 2, ligger på 30,9 procent — den största enskilda förbättringen på sidan, och en där Mistral mäter sig mot sig själv.
Priser och rörmokeri
Mistral tar 0,0035 dollar per minut för Mini Transcribe 3, 0,0040 för Small Transcribe 3 och 0,008 för realtidsmodellen, med talsyntes på 13 dollar per miljon tecken. Röstkloning kräver ungefär 30 minuters inspelat ljud. Transkriberingsmodellerna stöder diarisering, nyckeltermsstyrning och detektering av turslut; agentstacken når telefoner via SIP och webbläsare via WebRTC, och Mistral uppger att ett helt agentsvar blir klart på under en sekund.
Modellerna finns via Mistrals API på europeiska, amerikanska och globala ändpunkter, i Studios testmiljöer och för egen drift på förfrågan.
Det som saknas
För ett bolag vars identitet bygger på öppna vikter är sidan tyst om licensiering: den säger inte om några Voxtral 3-vikter släpps, på vilka villkor, eller om familjen enbart finns som API. Den anger inte heller maximal ljudlängd, ingen kontextgräns, inga parametertal för Small-modellen eller talmodellen, och inget uttryckligt släppdatum — den enda datumangivelsen är en fotnot om att talutvärderingarna genererades den 20 oktober.
Siffrorna att vänta på är de oberoende. Mistrals realtidsdiagram är ovanligt ärligt om vad strömning kostar; om ledningen i batch och diarisering håller mot någon annans testmängd är den del som ännu inte finns dokumenterad.
