Mistral hat neue Speech-Modelle veröffentlicht! Voxtral Small Transcribe 3 belegt Platz #3 auf der Artificial Analysis Speech to Text Leaderboard, und Voxtral 3 TTS schafft es in beiden Text to Speech Arenen unter die Top 12
@MistralAI hat Voxtral 3 veröffentlicht: ein neues Text to Speech Modell und drei Speech to Text Modelle (Small Transcribe 3, Mini Transcribe 3 und Mini Transcribe Realtime 3). Wir haben alle bewertet.
Wichtigste Erkenntnisse:
➤ Speech to Text: Voxtral Small Transcribe 3 belegt Platz #3 auf der Artificial Analysis Speech to Text Leaderboard mit einem 2.1% AA-WER Index, vor ElevenLabs Scribe v2 (2.2%) und Grok Voice Transcribe 2.0 (2.3%). Voxtral Mini Transcribe 3 landet auf #5 mit 2.2%.
➤ Streaming Speech to Text: Voxtral Mini Transcribe Realtime 3 erreicht 3.3% final-transcript AA-WER bei der 960 ms Einstellung (#6 von 46) und 3.6% bei 480 ms, gegenüber 5.2% beim vorherigen Voxtral Mini Transcribe Realtime.
➤ Text to Speech, Provider Voice: Voxtral 3 TTS erzielt ein Elo von 1,218 über 1,599 Arena-Auftritte, auf Platz #12 von 98, knapp hinter Breeze TTS 2 mit 1,221 und vor Inworld Realtime TTS-2 Flash und StepAudio 2.5 TTS mit 1,216. Es belegt #13 in English (US) und #12 in English (UK).
➤ Text to Speech, Controlled Voice: Voxtral 3 TTS erzielt 1,068 über 1,614 Auftritte, auf Platz #12 von 43 mit denselben 8 geklonten Stimmen, hinter Eleven v3 mit 1,072 und gleichauf mit Ant Groups Ming-3.0-tts bei 1,068. Es belegt #10 in Assistants und #10 in English (UK).
➤ Aussprache-Robustheit: Voxtral 3 TTS erzielt 84.4%, auf Platz #13 von 32 Modellen, hinter Qwen-Audio-3.1-TTS-Plus mit 84.6% und vor HeyGen Voice mit 83.2%. Es belegt #3 in Standalone Terms mit 93.9%.
➤ Preise: Voxtral 3 TTS kostet $13/1M Zeichen, verglichen mit Gemini 3.8 Flash TTS bei $16.5/1M Zeichen, Eleven v4 Turbo bei $40/1M Zeichen und Simba 3.2 bei $6.6/1M Zeichen.
Weitere Details und Hörproben unten ⬇️