Mistral 发布 Voxtral 3 语音模型，Artificial Analysis 评测其榜单表现

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，Voxtral 3 TTS 则在两个文本转语音竞技场中均进入前 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字模型（Small Transcribe 3、Mini Transcribe 3 和 Mini Transcribe Realtime 3）。我们对它们全部进行了评测。

核心要点：

➤ 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，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。

➤ 流式语音转文字：Voxtral Mini Transcribe Realtime 3 在 960 毫秒设置下的最终转录 AA-WER 为 3.3%（46 个模型中排名第 6），在 480 毫秒设置下为 3.6%，相比上一代 Voxtral Mini Transcribe Realtime 的 5.2% 有所下降。

➤ 文本转语音（提供方语音）：Voxtral 3 TTS 在 1,599 次竞技场出场中获得 1,218 的 Elo 分数，在 98 个模型中排名第 12，略低于 Breeze TTS 2 的 1,221，高于 Inworld Realtime TTS-2 Flash 和 StepAudio 2.5 TTS 的 1,216。其在英语（美国）中排名第 13，在英语（英国）中排名第 12。

➤ 文本转语音（受控语音）：Voxtral 3 TTS 在 1,614 次出场中获得 1,068 分，在 43 个模型中排名第 12（使用相同的 8 个克隆语音），低于 Eleven v3 的 1,072，与蚂蚁集团的 Ming-3.0-tts 的 1,068 持平。其在助手场景中排名第 10，在英语（英国）中排名第 10。

➤ 发音鲁棒性：Voxtral 3 TTS 得分为 84.4%，在 32 个模型中排名第 13，低于 Qwen-Audio-3.1-TTS-Plus 的 84.6%，高于 HeyGen Voice 的 83.2%。其在独立术语场景中以 93.9% 排名第 3。

➤ 定价：Voxtral 3 TTS 的定价为每百万字符 13 美元，相比之下，Gemini 3.8 Flash TTS 为每百万字符 16.5 美元，Eleven v4 Turbo 为每百万字符 40 美元，Simba 3.2 为每百万字符 6.6 美元。

更多详情和试听样本见下方 ⬇️