Mistralが新しいSpeechモデルをリリースしました!Voxtral Small Transcribe 3がArtificial AnalysisのSpeech to Textリーダーボードで#3にランクインし、Voxtral 3 TTSは両方のText to Speechアリーナでトップ12に入りました
@MistralAIがVoxtral 3をリリースしました。新しいText to Speechモデル1つと、3つのSpeech to Textモデル(Small Transcribe 3、Mini Transcribe 3、Mini Transcribe Realtime 3)です。私たちはすべてを評価しました。
主なポイント:
➤ Speech to Text:Voxtral Small Transcribe 3はAA-WER Index 2.1%でArtificial AnalysisのSpeech to Textリーダーボードの#3を獲得し、ElevenLabs Scribe v2(2.2%)とGrok Voice Transcribe 2.0(2.3%)を上回りました。Voxtral Mini Transcribe 3は2.2%で#5にランクインしました。
➤ ストリーミングSpeech to Text:Voxtral Mini Transcribe Realtime 3は960 ms設定で最終文字起こしAA-WER 3.3%(46中#6)、480 msで3.6%を記録し、従来のVoxtral Mini Transcribe Realtimeの5.2%から改善しました。
➤ Text to Speech、プロバイダーボイス:Voxtral 3 TTSは1,599回のアリーナ出場でElo 1,218を獲得し、98中#12にランクイン。1,221のBreeze TTS 2にわずかに及ばず、1,216のInworld Realtime TTS-2 FlashとStepAudio 2.5 TTSを上回りました。英語(US)では#13、英語(UK)では#12です。
➤ Text to Speech、コントロールドボイス:Voxtral 3 TTSは1,614回の出場で1,068を獲得し、同じ8つのクローンボイスで43中#12にランクイン。1,072のEleven v3には及ばず、1,068のAnt GroupのMing-3.0-ttsと同水準です。Assistantsでは#10、英語(UK)では#10です。
➤ 発音の堅牢性:Voxtral 3 TTSは84.4%を獲得し、32モデル中#13にランクイン。84.6%のQwen-Audio-3.1-TTS-Plusには及ばず、83.2%のHeyGen Voiceを上回りました。Standalone Termsでは93.9%で#3です。
➤ 料金設定: Voxtral 3 TTSは$13/1M文字、これに対してGemini 3.8 Flash TTSは$16.5/1M文字、Eleven v4 Turboは$40/1M文字、Simba 3.2は$6.6/1M文字です。
詳細とサンプルの視聴は以下から ⬇️