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。弊社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。
➤ Streaming Speech to Text: Voxtral Mini Transcribe Realtime 3は960 ms設定で最終文字起こしのAA-WERが3.3%（46中#6）、480 msでは3.6%で、前世代の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はアリーナでの1,599回の出現でElo 1,218を獲得し、98中#12にランクイン。Breeze TTS 2の1,221に次ぎ、Inworld Realtime TTS-2 FlashおよびStepAudio 2.5 TTSの1,216を上回ります。English (US)では#13、English (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回の出現で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。Eleven v3の1,072に次ぎ、Ant GroupのMing-3.0-ttsの1,068と同水準です。Assistantsでは#10、English (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。Qwen-Audio-3.1-TTS-Plusの84.6%に次ぎ、HeyGen Voiceの83.2%を上回ります。Standalone Termsでは93.9%で#3です。
➤ 価格: Voxtral 3 TTSは$13/1M文字です。これに対し、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。
詳細は以下をご覧いただき、サンプルもお聞きください ⬇️