Mistral发布Voxtral Small Transcribe 3、Voxtral 3 TTS 语音模型(#3)

Mistral 发布了新的语音模型！Voxtral Small Transcribe 3 在 Artificial Analysis 语音转文本排行榜上位列第 3，Voxtral 3 TTS 在两个文本转语音竞技场中均进入前 12 名。

@MistralAI 发布了 Voxtral 3：一个新的文本转语音模型和三个语音转文本模型（Small Transcribe 3、Mini Transcribe 3 和 Mini Transcribe Realtime 3）。我们对它们进行了评估。主要结论：

➤ 语音转文本：Voxtral Small Transcribe 3 以 2.1% 的 AA-WER 指数在 Artificial Analysis 语音转文本排行榜上位列第 3，领先于 ElevenLabs Scribe v2（2.2%）和 Grok Voice Transcribe 2.0（2.3%）。Voxtral Mini Transcribe 3 以 2.2% 位列第 5。

➤ 流式语音转文本：Voxtral Mini Transcribe Realtime 3 在 960 ms 设置下的最终文本 AA-WER 为 3.3%（46 个模型中排名第 6），在 480 ms 设置下为 3.6%，低于上一代 Voxtral Mini Transcribe Realtime 的 5.2%。

➤ 文本转语音，提供商语音：Voxtral 3 TTS 在 1,599 次竞技场评测中获得 1,218 的 Elo 评分，在 98 个模型中排名第 12，略低于 Breeze TTS 2 的 1,221，领先于 Inworld Realtime TTS-2 Flash 和 StepAudio 2.5 TTS 的 1,216。它在英语（美国）中排名第 13，在英语（英国）中排名第 12。

➤ 文本转语音，受控语音：Voxtral 3 TTS 在 1,614 次评测中获得 1,068 的 Elo 评分，在使用相同 8 个克隆语音的 43 个模型中排名第 12，低于 Eleven v3 的 1,072，与蚂蚁集团的 Ming-3.0-tts 持平，同为 1,068。它在助手场景中排名第 10，在英语（英国）中排名第 10。

➤ 发音鲁棒性：Voxtral 3 TTS 得分 84.4%，在 32 个模型中排名第 13，低于 Qwen-Audio-3.1-TTS-Plus 的 84.6%，领先于 HeyGen Voice 的 83.2%。它在独立词汇项中以 93.9% 排名第 3。

➤ 定价：Voxtral 3 TTS 的定价为每 100 万字符 13 美元，而 Gemini 3.8 Flash TTS 为每 100 万字符 16.5 美元，Eleven v4 Turbo 为每 100 万字符 40 美元，Simba 3.2 为每 100 万字符 6.6 美元。

更多详细信息和试听样本见下文 ⬇️