Voxtral 3 от Mistral: распознавание речи по $0,0035 за минуту

Линейка

Анонс Mistral перечисляет Small Transcribe 3 (максимальная точность), Mini Transcribe 3 (4 млрд параметров), Mini Transcribe Realtime 3 (задержка меньше 500 мс) и Mini TTS 3, а также SDK для голосовых агентов на базе LiveKit. Транскрипция охватывает более 50 языков, включая все 24 официальных языка ЕС; в реальном времени — более 35; синтез речи — более 35 языков.

Результаты, которые приводит вендор: лучший показатель по мультиязычному WER на FLEURS, опережая Whisper large-v3, Scribe v2 и Gemini 3.5 Transcribe, и около 18,4% cpWER при диаризации. API голосового агента стоит $0,04 в минуту с Mistral Small 4. На странице лицензия не указана.

Проблема не в точности, а веса так и не выложили

Разработчик, который год строит голосовых агентов, говорит, что частота ошибок в словах уже стала товаром, поэтому бенчмарки, которыми козыряет Mistral, не замечают самого трудного:

«Настоящие пробелы — в задержке, в обработке перебиваний, в том, чтобы при необходимости перебить говорящего… и в адаптации к эмоциям и тону контекста»

По лицензии комментатор, который проверил Hugging Face, ответ отрицательный:

«В посте предлагается только API, а собственное развёртывание идёт через отдел продаж. На Hugging Face ничего от Voxtral 3 нет. Последняя открытая модель — Voxtral Mini 4B Realtime от февраля, Apache 2.0»

Именно на этой более старой модели построил продукт разработчик, выпустивший коммерческое офлайн-ПО для распознавания речи; он работает на встроенной iGPU ноутбука с 4 ГБ VRAM. Тем, кому нужна локальная или приватная транскрипция, цена $0,0035 за минуту не подходит: это цена только за облачный сервис, а открытая Mini 4B Realtime остаётся вариантом для самостоятельного развёртывания.