Mistral 发布了新的语音模型！Voxtral Small Transcribe 3 在 Artificial Analysis 语音转文字排行榜上位列第3名，Voxtral 3 TTS 则在两个文字转语音竞技场中都进入前12
@MistralAI 发布了 Voxtral 3：一个全新的文字转语音模型和三个语音转文字模型（Small Transcribe 3、Mini Transcribe 3 和 Mini Transcribe Realtime 3）。我们对所有模型进行了评估。
要点：
➤ 语音转文字：Voxtral Small Transcribe 3 以 2.1% 的 AA-WER 指数在 Artificial Analysis 语音转文字排行榜上位列第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。
➤ 流式语音转文字：Voxtral Mini Transcribe Realtime 3 在 960 ms 设置下取得 3.3% 的最终转录 AA-WER（46个中排名第6），在 480 ms 下为 3.6%，相比上一代 Voxtral Mini Transcribe Realtime 的 5.2% 有所下降。
➤ 文字转语音，提供商声音：Voxtral 3 TTS 在 1,599 次竞技场出场中获得 1,218 的 Elo 分数，在98个中排名第12，仅次于得分为 1,221 的 Breeze TTS 2，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。
➤ 文字转语音，受控声音：Voxtral 3 TTS 在 1,614 次出场中获得 1,068 分，在43个中以同样的8个克隆声音排名第12，落后于得分为 1,072 的 Eleven v3，与蚂蚁集团的 Ming-3.0-tts 的 1,068 分持平。它在 Assistants 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 84.4%，在32个模型中排名第13，落后于得分 84.6% 的 Qwen-Audio-3.1-TTS-Plus，领先于得分 83.2% 的 HeyGen Voice。它在独立术语（Standalone Terms）中以 93.9% 排名第3。
➤ 定价：Voxtral 3 TTS 的价格为 $13/1M 字符，相比之下 Gemini 3.8 Flash TTS 为 $16.5/1M 字符，Eleven v4 Turbo 为 $40/1M 字符，Simba 3.2 为 $6.6/1M 字符。
更多详情和试听样例见下方 ⬇️