Mistral hat neue Speech-Modelle veröffentlicht! Voxtral Small Transcribe 3 belegt Platz #3 auf dem Artificial Analysis Speech to Text-Leaderboard, und Voxtral 3 TTS schafft es in beide Text to Speech-Arenen in 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 evaluiert.
Die wichtigsten Erkenntnisse:
➤ Speech to Text: Voxtral Small Transcribe 3 belegt Platz #3 auf dem Artificial Analysis Speech to Text-Leaderboard mit einem AA-WER Index von 2,1%, 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 Einstellung 960 ms (#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 bei 1,599 Arena-Auftritten und belegt damit 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 Platz #13 in English (US) und Platz #12 in English (UK).
➤ Text to Speech, Controlled Voice: Voxtral 3 TTS erzielt 1,068 bei 1,614 Auftritten und belegt damit Platz #12 von 43 mit denselben 8 geklonten Stimmen, hinter Eleven v3 mit 1,072 und gleichauf mit Ant Groups Ming-3.0-tts mit 1,068. Es belegt Platz #10 in Assistants und Platz #10 in English (UK).
➤ Aussprache-Robustheit: Voxtral 3 TTS erzielt 84,4% und belegt damit Platz #13 von 32 Modellen, hinter Qwen-Audio-3.1-TTS-Plus mit 84,6% und vor HeyGen Voice mit 83,2%. Es belegt Platz #3 in Standalone Terms mit 93,9%.
➤ Preise: Voxtral 3 TTS kostet $13/1M Zeichen, im Vergleich zu Gemini 3.8 Flash TTS mit $16.5/1M Zeichen, Eleven v4 Turbo mit $40/1M Zeichen und Simba 3.2 mit $6.6/1M Zeichen.
Weitere Details und Hörproben finden Sie unten ⬇️