Was ist Voxtral 3 (Transcribe and TTS)?
Voxtral 3 ist die Sprachfamilie von Mistral AI, veröffentlicht als Public Preview am 20. Oktober 2026. Sie umfasst vier Modelle: Voxtral Small Transcribe 3 und das Modell Voxtral Mini Transcribe 3 mit 4 Milliarden Parametern für aufgezeichnetes Audio, mit Sprecherzuordnung (Diarisierung) und Zeitstempeln; Voxtral Mini Transcribe Realtime 3 für Live-Transkription in weniger als 500 Millisekunden; und Voxtral TTS 3, das Text mit Zero-Shot-Voice-Cloning und Streaming spricht. Am selben Tag startete Mistral eine verwaltete Pipeline und ein SDK für Sprachagenten.
Die Transkription deckt 50 Sprachen ab, darunter alle 24 Amtssprachen der EU, die Sprachausgabe mehr als 35 Sprachen. Die Modelle sind über Mistrals API mit Endpunkten in der EU, den USA und global verfügbar. Anders als bei einigen früheren Voxtral-Releases wurden keine Gewichte veröffentlicht; Selbstbetrieb bietet Mistral nur als Enterprise-Vereinbarung an.
Die berichteten Preise zum Start sind 0,0035 $ pro Minute für Mini Transcribe 3, 0,0040 $ für Small Transcribe 3, 0,008 $ für das Echtzeitmodell und 13 $ pro Million Zeichen für die Sprachausgabe.
Was kostet Voxtral 3 (Transcribe and TTS)?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Mini Transcribe 3 | $0.0035 a minute | Aufgezeichnetes Audio, Diarisierung und Zeitstempel |
| Small Transcribe 3 | $0.0040 a minute | |
| Mini Transcribe Realtime 3 | $0.008 a minute | Live-Transkription unter 500 ms |
| TTS 3 | $13 per million characters | Zero-Shot-Voice-Cloning, Streaming |
Mini Transcribe 3 0,0035 $ pro Minute; Small Transcribe 3 0,0040 $ pro Minute; Mini Transcribe Realtime 3 0,008 $ pro Minute; TTS 3 13 $ pro Million Zeichen (Preise zum Start laut Berichten).
Lohnt sich Voxtral 3 (Transcribe and TTS)?
Die Transkription ist der Grund, sich Voxtral 3 anzusehen. Artificial Analysis maß für Small Transcribe 3 eine Wortfehlerrate von 2,1 %, 0,1 Punkte hinter Microsofts MAI-Transcribe-2 und 0,1 vor ElevenLabs Scribe v2, und für das günstigere Mini 2,2 %. Bei 0,0035 $ pro Minute kostet eine Stunde Audio etwa 21 Cent, gegenüber 0,22 $ pro Stunde bei Scribe v2. Bei Genauigkeit und Preis hält es also mit der Spitze mit.
Mistrals eigene Zahlen stützen die Sprecherzuordnung: 18,4 % Diarisierungsfehler bei Small, vor den 19,0 % von Pyannote und weit vor den 38,4 % von Gemini 3.5 Transcribe. Das Echtzeitmodell tauscht Genauigkeit vorhersehbar gegen Geschwindigkeit, von 5,7 % Fehlern bei 2,4 Sekunden Verzögerung bis 7,4 % bei 240 Millisekunden. Sprachagenten sollten also testen, wo ihr Latenzbudget landet.
Die Sprachausgabe sticht weniger heraus. Voxtral TTS 3 steht auf der Sprach-Rangliste von Artificial Analysis auf Platz 13, bei 13 $ pro Million Zeichen, rund 70 Cent pro Stunde Sprache. Es liegt 127 Elo-Punkte vor Mistrals offenem 4B-TTS vom März, aber hinter ElevenLabs' Eleven v4.
Zwei Punkte solltest du abwägen. Alle vier Modelle sind in der Public Preview, Preise und Verhalten können sich also ändern. Und anders als bei Voxtral Realtime und Voxtral 4B TTS früher in diesem Jahr gibt es keine herunterladbaren Gewichte: Teams, die Sprachverarbeitung offline brauchen, sollten bei diesen älteren offenen Releases bleiben.
Wo es sich lohnt
Ein europäisches Unternehmen für Callcenter-Analysen
Tausende Stunden Anrufe transkribieren und Sprecher zuordnen
Small Transcribe 3 übernimmt Diarisierung und Zeitstempel über Mistrals EU-Endpunkt. 10.000 Stunden kosten bei 0,0040 $ pro Minute etwa 2.400 $.
Ein Team, das einen telefonischen Sprachagenten baut
Anrufer in Echtzeit verstehen und mit natürlicher Stimme antworten
Kombiniere Mini Transcribe Realtime 3 mit TTS 3 in Mistrals SDK für Sprachagenten. Stelle die Transkriptionsverzögerung auf etwa 480 bis 960 ms ein, um die Fehlerrate nahe 6 % zu halten.
Ein Podcast- oder Videoverlag
Genaue mehrsprachige Transkripte und Untertitel erstellen
Mini Transcribe 3 für 0,0035 $ pro Minute liegt bei Artificial Analysis höchstens 0,1 Punkte hinter Small; eine Folge von 60 Minuten kostet etwa 21 Cent.
Bevor du dich festlegst
- Einrichtung
- Rufe voxtral-mini-transcribe-3-0, voxtral-small-transcribe-3-0, voxtral-mini-transcribe-realtime-3-0 oder voxtral-mini-tts-3-0 über Mistrals API auf und wähle den Endpunkt für die EU, die USA oder global.
- Integrationen
- Mistral-API und Pipeline Voice Agents; SDK für Sprachagenten auf Basis von LiveKit, das Zuhören, Reasoning, Tool Calls und Sprachausgabe abdeckt.
- Daten und Datenschutz
- Nur API; keine veröffentlichten Gewichte oder Lizenz. Mistrals API-Bedingungen erlauben Training auf Daten der kostenlosen Stufe, sofern du nicht widersprichst, mit Opt-out auch bei nutzungsbasierter Abrechnung; prüfe sie für Audio, bevor du sensible Anrufe schickst. Selbstbetrieb ist eine Enterprise-Vereinbarung.
- Kosten im großen Maßstab
- 100.000 Stunden Transkription kosten mit Mini etwa 21.000 $ oder in Echtzeit 48.000 $. Sprachausgabe für 13 $ pro Million Zeichen kostet etwa 70 Cent pro Stunde Audio.
- Grenzen
- Public Preview. Der Echtzeitfehler steigt von 5,7 % bei 2,4 s Verzögerung auf 7,4 % bei 240 ms. Sprachausgabe in mehr als 35 Sprachen; Transkription in 50.
Was gut ist
- Wortfehlerrate von 2,1 % bei Artificial Analysis, unter den besten drei
- Etwa 21 Cent pro Stunde Audio mit Mini Transcribe 3
- Diarisierungsfehler von 18,4 %, laut Mistral vor Pyannote und Gemini
- Endpunkte in der EU, den USA und global; 50 Sprachen für die Transkription
Was nicht
- Keine Open Weights, anders als bei früheren Voxtral-Releases
- Public Preview; Preise und Modelle können sich ändern
- TTS 3 steht auf der Sprach-Rangliste von Artificial Analysis auf Platz 13
- Die Echtzeitgenauigkeit sinkt bei 240 ms Verzögerung auf 7,4 % Fehler
Am besten für
Teams, die große Mengen an Meetings, Anrufen oder Medien transkribieren, besonders in Europa, und Spitzengenauigkeit zu niedrigen Kosten pro Minute wollen.
Alternativen zu Voxtral 3 (Transcribe and TTS)
Voxtral 3 (Transcribe and TTS): häufige Fragen
- Lohnt sich Voxtral 3 (Transcribe and TTS)?
- In unabhängigen Transkriptionstests nahe der Spitze, für ein Drittel Cent pro Minute und mit EU-Endpunkten; die Sprachausgabe ist bloß konkurrenzfähig, und diesmal ist nichts als Open Weights verfügbar. Wir bewerten es mit 4.4 von 5.
- Was kostet Voxtral 3 (Transcribe and TTS)?
- Mini Transcribe 3 0,0035 $ pro Minute; Small Transcribe 3 0,0040 $ pro Minute; Mini Transcribe Realtime 3 0,008 $ pro Minute; TTS 3 13 $ pro Million Zeichen (Preise zum Start laut Berichten).
- Welche Nachteile hat Voxtral 3 (Transcribe and TTS)?
- Keine Open Weights, anders als bei früheren Voxtral-Releases; Public Preview; Preise und Modelle können sich ändern; TTS 3 steht auf der Sprach-Rangliste von Artificial Analysis auf Platz 13; Die Echtzeitgenauigkeit sinkt bei 240 ms Verzögerung auf 7,4 % Fehler.
- Für wen eignet sich Voxtral 3 (Transcribe and TTS)?
- Teams, die große Mengen an Meetings, Anrufen oder Medien transkribieren, besonders in Europa, und Spitzengenauigkeit zu niedrigen Kosten pro Minute wollen.
- Was kostet Voxtral 3 (Transcribe and TTS) für ein Team oder im Produktivbetrieb?
- 100.000 Stunden Transkription kosten mit Mini etwa 21.000 $ oder in Echtzeit 48.000 $. Sprachausgabe für 13 $ pro Million Zeichen kostet etwa 70 Cent pro Stunde Audio.
- Ist Voxtral 3 (Transcribe and TTS) sicher für Firmendaten?
- Nur API; keine veröffentlichten Gewichte oder Lizenz. Mistrals API-Bedingungen erlauben Training auf Daten der kostenlosen Stufe, sofern du nicht widersprichst, mit Opt-out auch bei nutzungsbasierter Abrechnung; prüfe sie für Audio, bevor du sensible Anrufe schickst. Selbstbetrieb ist eine Enterprise-Vereinbarung.
- Was sind die besten Alternativen zu Voxtral 3 (Transcribe and TTS)?
- Die nächsten Alternativen, die wir getestet haben, sind ElevenLabs Scribe v2, Gemini 3.5 Transcribe, Deepgram Nova-3 und GPT Transcribe.
Antworten geprüft am 25. Okt. 2026.