Mistral 发布了全新的语音模型！Voxtral Small Transcribe 3 在 Artificial Analysis 语音转文本排行榜上位列第 3 名，而 Voxtral 3 TTS 在两个文本转语音竞技场中都进入了前 12 名
@MistralAI 发布了 Voxtral 3：一个全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）。我们对所有模型进行了评估。
主要结论：
➤ 语音转文本：Voxtral Small Transcribe 3 以 2.1% 的 AA-WER 指数位列 Artificial Analysis 语音转文本排行榜第 3 名，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 名。
➤ 流式语音转文本：Voxtral Mini Transcribe Realtime 3 在 960 ms 设置下最终转写文本的 AA-WER 为 3.3%（46 个模型中排名第 6），在 480 ms 下为 3.6%，相比之前的 Voxtral Mini Transcribe Realtime 的 5.2% 有所下降。
➤ 文本转语音，官方声音：Voxtral 3 TTS 在 1,599 次竞技场出场中 Elo 得分为 1,218，在 98 个模型中排名第 12，仅落后于得分为 1,221 的 Breeze TTS 2，并领先于得分为 1,216 的 Inworld Realtime TTS-2 Flash 和 StepAudio 2.5 TTS。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，受控声音：Voxtral 3 TTS 在 1,614 次出场中得分为 1,068，使用相同的 8 个克隆声音，在 43 个模型中排名第 12，落后于得分为 1,072 的 Eleven v3，并与蚂蚁集团的 Ming-3.0-tts 得分持平，均为 1,068。它在助手中排名第 10，在英语（英国）中排名第 10。
➤ 发音稳健性：Voxtral 3 TTS 得分为 84.4%，在 32 个模型中排名第 13，落后于得分为 84.6% 的 Qwen-Audio-3.1-TTS-Plus，并领先于得分为 83.2% 的 HeyGen Voice。它在独立术语中得分 93.9%，排名第 3。
➤ 定价：Voxtral 3 TTS 的价格为 13 美元/1M 字符，相比之下 Gemini 3.8 Flash TTS 为 16.5 美元/1M 字符，Eleven v4 Turbo 为 40 美元/1M 字符，Simba 3.2 为 6.6 美元/1M 字符。
请在下方查看更多详情并试听示例 ⬇️