Mistral AI 宣布 Voxtral Mini Transcribe 3 位列 Voice Arena Diarization + ASR 榜第 2 位

北京时间 10 月 28 日 17 时 50 分，Mistral AI 官方 X 账号 @MistralAI发帖宣布：Voxtral Mini Transcribe 3 在 Voice Arena 的 Diarization + ASR（说话人分离 + 语音识别）排行榜上排名第 2。整条帖文只有这一句话，没有附榜单截图，也没有给出 DER（说话人分离错误率）数字或榜单链接。截至本文检索时，帖子获得约 130 个赞、29 条回复、约 8,900 次浏览。

Mistral 只给出了名次，没有给出数据。把帖子下方多位用户引用的榜单细分数字，与另一家语音模型厂商 Smallest AI 三周前的官方帖文对照，可以看出这个「第 2」的结构：榜首 Smallest AI 的 Pulse 明显领先，Voxtral Mini 身后则是差距很小的一串名次。Voice Arena 的榜单页依赖动态脚本加载，本文发稿时无法直接读取当前排名，下文涉及的榜单数字均逐一注明出处。

这条官宣帖能证明什么

按机构公告的证据边界，目前能确认的是：Mistral 公开作出了「第 2」的名次宣称，榜单当前是否如此显示，需以 Voice Arena 页面为准，本文未能直接核对。

Voxtral Mini Transcribe 3 并非新面孔。它是 Mistral 10 月 20 日发布的 Voxtral 3 语音模型家族中的高效转写型号：4B 参数，官方定价每分钟 0.0035 美元。家族里还有更大的 Voxtral Small Transcribe 3（每分钟 0.0040 美元）、面向实时场景的 Voxtral Mini Transcribe Realtime 3（每分钟 0.008 美元，官方称延迟低于 500 毫秒），以及语音合成型号 Voxtral Speech 3（每百万字符 13 美元）。发布当天，独立评测机构 Artificial Analysis 评测了全部三个转写模型；8 天后，Mistral 专门为一个第三方榜单名次单独发帖。

这个第 2 名的榜单按 DER 排序，榜首是 Pulse

Voice Arena 是一个给语音模型排名的站点，首页自述为对 TTS 与 STT 模型的「人工评分排名」，覆盖英语、印地语、孟加拉语、阿拉伯语等多种语言。这次的 Diarization + ASR 赛道不靠人投票：其 Diarization Bench 页面介绍称，评测对象是 15 个开源与商用的说话人分离系统，语料为 139 段远场英文会话，排名依据是 DER。页面上的方法说明把 DER 拆成三项：漏检（missed speech）、虚警（false alarm）和说话人混淆（speaker confusion），在 0 ms 的 collar（边界容忍窗）下计分、按计分分钟池化，数值越低越好。Mistral 帖文里的「Diarization + ASR 榜」，指的就是这条以 DER 排名的赛道。

榜首不是 Voxtral，而是 Smallest AI 的 Pulse。Smallest AI 10 月 7 日官方帖文宣布，其 Pulse 模型以 24.4% 的 DER（严格 0 ms collar 口径）位居 Voice Arena Diarization Bench v1 第一，并称这一成绩超过榜上所有语音转文本 API：ElevenLabs Scribe v2 为 40.71%，AssemblyAI Universal-3.5 Pro 为 44.64%，Deepgram Nova-3 为 67.13%。需要说明，这是 Smallest AI 对自家模型排名的宣称；它与本文发稿时评论区引用的数字（见下节）相互吻合。

4B 的 Mini 排到了自家 Small 前面

评论区贴出的细分数字显示，这次上榜的 Mini 型号排到了自家更大的 Small 型号前面。用户 leehoo 引用榜单页称，该赛道共有 9 个模型，Voxtral Mini Transcribe 3 以 40.4% 的 DER 列第 2，Voxtral Small Transcribe 3 以 41.1% 列第 4；另一位用户给出同样的对比。两个数字之间还夹着 Smallest AI 帖文里 Scribe v2 的 40.71%——第 2 到第 4 名全部落在 0.7 个百分点之内，有评论者写道：「第 1 名不在同一个量级。」

名次与 Mistral 自己的口径之间存在张力：10 月 20 日的博客称，Small 版本「在 diarization 和多语言转写上达到 SOTA」，优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；而按评论者引用的榜单，在说话人分离这一项上，4B 的 Mini 反而排在更大的 Small 前面。两种口径并不矛盾——博客说的是 Mistral 自家评测与转写基准的结论，榜单衡量的是另一个指标 DER。

从产品参数看，Mini Transcribe 3 支持 50 多种语言（含 24 种欧盟官方语言），提供说话人分离和 context biasing（用关键词与自由文本偏置转写，提升专业术语的召回率）。OpenRouter 的模型页与官方定价一致：Voxtral Mini Transcribe 3 于 10 月 20 日上线，价格为每秒 0.000058 美元，约合每分钟 0.0035 美元，上下文窗口 66K。整个家族通过 Mistral 位于欧洲的 API 或用户自建基础设施提供，官方以此强调音频数据的处理位置可控。

换到字准口径，名次反过来

字准上，Artificial Analysis 给出的第三方结果与 DER 榜正好相反：Voxtral Small Transcribe 3 以 2.1% 的 AA-WER 排其语音转文本榜第 3 位，领先 ElevenLabs Scribe v2（2.2%）和 Grok Voice Transcribe 2.0（2.3%）；Voxtral Mini Transcribe 3 以 2.2% 排第 5。AA-WER 是 Artificial Analysis 采用的词错率指数，数值越低越好。字准上 Small 略好，说话人分离上（按评论者引用的榜单）Mini 略好。

Realtime 型号另有单独数据：Voxtral Mini Transcribe Realtime 3 在 960 ms 设置下的最终转写 AA-WER 为 3.3%（46 个模型中第 6），480 ms 下为 3.6%，上一代 realtime 型号为 5.2%。Mistral 博客则给出 FLEURS 35 基准的图表：Voxtral Mini Transcribe 3 作为离线基线取得 4.0% 的词错率，为图中最低，低于 Gemini 3.5 Realtime Transcribe 的 4.2%；其自家 realtime 型号按延迟档位（2,400 ms 到 240 ms）给出 5.7%～7.4%。图表注明 Mini Transcribe 3 是离线基线，其余模型均为 realtime。

评论区追问的同一件事：抢话时的漏检

官宣发出 3 分钟后，用户 @MRRydon 提问：「通话里两个人抢着说话时，它表现如何？」用户 Akash Hadagali（@akashc777）把问题接到了业务后果上：「剩下的大部分误差是抢话时的漏听。而在销售电话里，被抢的那句话，往往正是你最需要记进笔记的异议。」

评论者引用的榜单细分里，漏检是 Mini 误差的主要构成：两位用户都写道，Mini 的误差中 82% 是漏检，且大多发生在人们互相抢话时。@victor_explore 的结论带着保留：「对一对一通话和播客来说，这已经足够。」

截至本文检索时，已获取的全部回复中没有 @MistralAI 的回应。从评论者引用的数字看，第 2 名与榜首之间隔着约 16 个百分点的 DER。这 16 个百分点落在哪一类错误上、官方是否会给出自己的分项数据，是这条官宣帖留下的问题。

参考链接

• Mistral AI 官方 X 帖文（帖文 ID 2115380768394379474）
• Mistral 博客：Voxtral 3: Speech-to-Text, TTS & Voice Agents
• Artificial Analysis 官方 X 帖文（Voxtral 3 语音模型评测）
• Smallest AI 官方 X 帖文（Pulse 位列 Voice Arena Diarization Bench v1 第一）
• Voice Arena Diarization Bench 页面
• Voice Arena 首页
• OpenRouter：Voxtral Mini Transcribe 3 模型页
• 用户 leehoo 的 X 回复（引用榜单细分数字）
• 用户 @alakara06 的 X 回复（引用榜单对比数字）
• 用户 @Moriarty_tech 的 X 回复（第 1 名与后续名次的差距）
• 用户 @MRRydon 的 X 回复（抢话提问）
• 用户 @akashc777 的 X 回复（销售电话场景）
• 用户 @victor_explore 的 X 回复（漏检占比与场景评价）