AREX Feed Article
Artificial Analysis 公布 Voxtral 3 评测：转写错误率 2.1% 列第 3，TTS 两个竞技场均列第 12
Mistral 在 10 月 20 日 12:00 UTC 的发布稿里把 的转写模型称为 state-of-the-art，并点名它超过了 Whisper、ElevenLabs Scribe v2 与 Gemini 3.5 Transcribe。不到五小时后，评测机构 Artificial Analysis 在 16:53 UTC（北京时间 21 日 0:53）公布了：Voxtral Small Transcribe 3 的 AA-WER（词错误率指数）为 2.1%，在 AA 的 Speech-to-Text 榜上排第 3，前面还有两个模型。
这一批发布包括 Small Transcribe 3、Mini Transcribe 3、Mini Transcribe Realtime 3 与 Mini TTS 3 四个模型，以及一套把听取、推理、工具调用和发声串进同一实时流的语音代理 SDK，可通过 Mistral 的 EU 托管 API 调用，也可自行部署。
Fun-Realtime-ASR-preview 以 1.7% 居首
AA 的上，Alibaba Cloud 的 Fun-Realtime-ASR-preview 以 1.7% 居首，Microsoft AI 的 MAI-Transcribe-2 以 2.0% 居次，Voxtral Small Transcribe 3 的 2.1% 排第三。排在它后面的是 Scribe v2 的 2.2%、Grok Voice Transcribe 2.0 的 2.3% 和 Gemini 3.5 Transcribe 的 2.6%。Mistral 点名的三个对手里，AA 的分数支持其中两个：Scribe v2 与 Gemini 3.5 Transcribe 的错字率确实更高。
更小的 Voxtral Mini Transcribe 3 以 2.2% 排第 5，与 Scribe v2 同分，比自家大模型只差 0.1 个百分点。前六名全部落在 1.7%～2.3% 这 0.6 个百分点的区间里。Mistral 在发布稿里给出 Mini 版的规格：4B 参数，每分钟 0.0035 美元。
AA-WER v2 是一个加权综合分：AA-AgentTalk 占 50%，VoxPopuli 占 25%，Earnings22 占 25%，AA 称这三段数据覆盖不同口音、领域术语和有挑战的声学条件。2.1% 是这个加权口径下的结果。
实时模型在 960 毫秒档从 5.2% 降到 3.3%
实时模型单独计分。上，Voxtral Mini Transcribe Realtime 3 在 960 毫秒档的最终转写 AA-WER 为 3.3%，在 46 个模型中排第 6；把档位收紧到 480 毫秒，误差升到 3.6%。上一代 Voxtral Mini Transcribe Realtime 在 960 毫秒档是 5.2%。同一档位，错误率降了 1.9 个百分点。
Mistral 给实时模型标的是 sub-500ms 延迟；发布稿还把 end-of-turn detection（判断说话人何时说完）列为转写模型的能力，让代理可以无延迟接话。AA 的流式指标按检测到说话结束后的最终转写计算错误率。480 毫秒档只比 960 毫秒档多 0.3 个百分点。
10 月 21 日复查 AA 的流式榜，960 毫秒档显示 3.34%，上一代为 5.24%，与帖文口径一致。
TTS：Elo 1,218 与 1,068，定价 13 美元
Mistral 称 Voxtral Mini TTS 3 覆盖 35 种以上语言、50 种以上方言，能根据对话上下文调整情绪、语速和重音。AA 把它记作 Voxtral 3 TTS，放进两个分开的竞技场投票。
使用各家自带音色的 ，它拿到 Elo 评分 1,218，1,599 次对局，在 98 个模型中排第 12：落后 Breeze TTS 2 的 1,221，领先 Inworld Realtime TTS-2 Flash 与 StepAudio 2.5 TTS 的 1,216；分项上英语（美国）第 13，英语（英国）第 12。
固定 8 个克隆音色的 ，Elo 1,068，1,614 次对局，在 43 个模型中排第 12：落后 Eleven v3 的 1,072，与蚂蚁集团 Ming-3.0-tts 同为 1,068；在 Assistants 和英语（英国）两个分项都是第 10。发音鲁棒性 84.4%，32 个模型中第 13，落后 Qwen-Audio-3.1-TTS-Plus 的 84.6%，领先 HeyGen Voice 的 83.2%；在 Standalone Terms 分项上以 93.9% 排第 3。
价格是每百万字符 13 美元。AA 同帖列出的对比里，Gemini 3.8 Flash TTS 为 16.5 美元，Eleven v4 Turbo 为 40 美元，Simba 3.2 为 6.6 美元。Voxtral 落在中间。
帖文发出八小时后复查，AA 榜上的分数和帖文已有差别：provider-voice 榜上 Voxtral 3 TTS 为 1,217 分、1,619 次对局，仍是第 12；controlled-voice 为 1,066 分，排第 13。与帖文相差 1～2 分。
综合分之外的逐语种表现与 SDK
AA 这批数字回答的是两个问题：模型 API 在 AA 的三段数据上错多少字，TTS 在两个竞技场里排第几。Mistral 在发布稿里还宣称，转写覆盖 50 多种语言，包括 24 种欧盟官方语言和多种低资源亚洲、印度语种。AA 公布的是一个跨三个数据集的加权分。Voxtral 在某个具体语言上是否领先，这个分数给不出答案。
SDK 也不在这批数字里。Mistral 说这条管线把听取、推理、工具调用和发声放进同一条实时流； 报道它基于 LiveKit，代理可以在通话中约时间、查发票。AA 评的是转写与 TTS 模型本身，没有测整条管线的端到端时延、工具调用成功率，也没有测 Pro Voice 的效果；按 Mistral 的说法，它用 30 分钟音频就能复刻说话人的声音。