Voxtral 3 是什麼？Mistral 語音轉錄、語音生成與代理 API 的價格與限制

客服電話打進來，來電者帶著口音、說到一半停頓，語音代理卻要聽懂、查出資料、替對方訂好時段，還要用自然的語氣接話。Mistral 在 2026 年 10 月 20 日推出的 Voxtral 3，鎖定的就是這種流程，官方宣稱每一回合在一秒內完成。

它是一組模型，包含兩個離線轉錄模型、一個即時轉錄模型、一個語音生成模型，另外加上一套語音代理 SDK。SDK 是軟體開發套件，工程師可以少寫許多串接程式，直接把聽、想、說接成一條線。

Mistral 官方 X 帳號在 10 月 20 日 16:00 UTC 發文介紹，換算成台灣時間是 10 月 21 日凌晨 0 點。我查詢時貼文有 2,500 個讚、約 14.8 萬次瀏覽，所以討論度不低。

但貼文只寫了「state-of-the-art」，也就是同類最佳，條件得回官方部落格與文件才查得到。查完之後會發現，轉錄成績有領先也有並列，即時轉錄在官方自己的圖表裡還輸給 Gemini 3.5 Realtime Transcribe。

語音生成的情況比較複雜，官方圖表上多語言與表現力的分數和 ElevenLabs 只差零點幾分，但專測數字與專有名稱的題目落後約 18 個百分點，價格則是每百萬字元 13 美元。

價格因此成為 Voxtral 3 最容易感受到的優勢，語音代理 API 搭配 Mistral Small 4 推理，每分鐘只要 0.04 美元。

我的判斷是，已經在做多語客服、會議轉錄或語音助理的開發團隊，現在就值得拿它跑一輪比價與錯誤率測試。需要穩定中文口語表現、離線自架權重，或已經綁定電話系統的團隊，則要先確認幾個條件再決定。

這些條件分散在不同頁面，官方頁面之間的數字也不完全一致，所以要先弄清楚每個模型各自負責什麼。

Voxtral 3 是什麼？三種模型加一套語音代理 SDK

Voxtral 3 由轉錄、語音生成與語音代理三塊組成。官方文件把模型頁都標成 2026 年 10 月 20 日釋出的 3.0 版，狀態是 Public Preview，也就是公開預覽。

以下我把官方價格與語言數一次列出，方便後面對照。

語音代理 API 的 0.04 美元是搭配 Mistral Small 4 推理的價格，換成其他推理模型是 0.08 美元。表格裡最便宜的是離線轉錄，一小時錄音用 Mini 約 0.21 美元，用 Small 約 0.24 美元，這是我依官方每分鐘價格相乘的結果。

即時轉錄每分鐘 0.008 美元，是離線的 2 到 2.3 倍，但它內建斷句判斷。這個功能叫語句結束偵測，語音代理要靠它決定什麼時候該開口。

不是每一項都比上一代便宜。官方價格頁同時列出舊版，Voxtral TTS 從每百萬字元 16 美元降到 13 美元，Voxtral Mini Transcribe 2 卻是每分鐘 0.003 美元，Mini 3 漲到 0.0035 美元。

Small 與 Mini 的差別在準確度與成本。官方說 Small 是旗艦轉錄與說話者分離模型，Mini 約 4B 參數，小到能放進資源有限的環境。

兩者都支援情境提示，也就是先把專有名詞交給模型，降低它聽錯的機會。即時版的串流延遲可以由開發者設定，官方模型頁寫的範圍是 80 到 2,400 毫秒。

語音生成模型提供預設聲音，也能用一段錄音複製聲音。官方文件列出 34 種情緒標籤與兩種語速標籤，開發者可以在文字中間逐字指定語氣，比舊版把每種情緒做成不同聲音更好調整。

語音代理 SDK 架在 LiveKit 之上，這是一套開源的即時音訊傳輸工具。官方說聽、想、說是三個獨立模型，所以可以換掉推理用的語言模型，不必重寫整個代理。

模型本身運行在 Mistral 的伺服器，使用者的程式負責收音與播放。電話場景比較特別，官方文件寫明 SIP 電話串接在上線時只開放給企業客戶，要透過客戶團隊申請。

先搞清楚元件，才看得懂官方拿什麼數字證明它夠好。

Voxtral 3 轉錄成績怎麼讀？Small 與 Microsoft 並列，即時版輸給 Gemini 3.5

官方部落格的轉錄圖表顯示，Voxtral Small Transcribe 3 領先 Whisper large-v3 與 GPT Transcribe，但和 Microsoft AI Transcribe 2 打成平手。要看懂這句話，得先知道錯誤率怎麼算。

字詞錯誤率是辨識結果中錯字、漏字與多字的比例，數字愈低愈好。日文、韓文、泰文與中文官方改用字元錯誤率，其他語言用字詞錯誤率，評測資料是 FLEURS 這套多語言朗讀語料。

官方取七個模型都支援的 45 種語言做平均。「指定語言」是事先告訴模型說的是哪種語言，「自動偵測」則讓模型自己判斷。

所以「領先」要看對手。對 Whisper 領先很多，對 Microsoft 只是並列。改成自動偵測語言後，Gemini 3.5 Transcribe 升到 6.1%，Voxtral 的優勢才拉開。

有一處官方說法互相對不上。Small 的模型頁寫它勝過 Microsoft AI Transcribe 2，但部落格的 FLEURS 圖是並列，下一張圖裡 Microsoft 的分數還略好。

下一張圖引用 Artificial Analysis 的 WER 指數，由 VoxPopuli、Earnings-22 與 AgentTalk 三組資料加權，數字愈低愈好。圖上共有三十多個系統，我只挑文中出現過的對手。

我從官方圖表的資料讀出，Fun-Realtime-ASR-preview 是 1.73，Microsoft AI Transcribe 2 是 2.04，Voxtral Small 是 2.10，排第三。Scribe v2 是 2.18，Voxtral Mini 是 2.22。

更後面的 Gemini 3.5 Transcribe 是 2.60，GPT Transcribe 是 3.31，Whisper large-v3 是 4.07。

所以這張圖裡 Voxtral Small 沒有拿第一，但比上一代 Voxtral Mini Transcribe 2 的 3.59 明顯進步。

說話者分離要標出「誰在什麼時候說了什麼」，指標是串接最小排列錯誤率，數字同樣愈低愈好。Small 是 18.4%，Mini 是 18.6%，Pyannote 是 19.0%。

Microsoft 是 20.3%，Scribe v2 是 23.0%，Gemini 3.5 Transcribe 是 38.4%。Voxtral 比上一代的 30.9% 降了約四成，這是我用官方圖表相除的結果。

但 Voxtral 和 Pyannote 只差 0.6 個百分點，換一份資料就可能翻轉，所以我只把它讀成「同一個等級」。

情境提示的效果則最容易在日常工作用到。官方用 Earnings-22 財報電話會議資料測關鍵詞召回率，Small 沒給提示時是 81.4%，提供詞表後升到 94.6%。

Scribe v2 從 84.0% 升到 94.3%，Gemini 3.5 Transcribe 從 80.9% 升到 87.3%。

所以沒給詞表時 Scribe v2 還略高，給了詞表後兩者幾乎相同。在這張圖裡，詞表帶來的提升比三個模型之間的差距更大。官方說明詞表裡混了 0 到 100 個干擾詞，所以實際效果要看你的詞表準不準。

即時轉錄要另外讀。官方用 35 種語言的 FLEURS 子集，把 Voxtral 即時版在不同串流延遲下的錯誤率，和其他即時模型並排。

所以 Voxtral 即時版在官方自己的圖上，比 GPT Live 與 Scribe 準，和 Microsoft 接近，輸給 Gemini。圖表沒有替 Gemini 標示延遲設定，因此這個比較並不完全對等。

部落格寫的「500 毫秒以內」，在圖上最接近的設定是 480 毫秒，錯誤率 6.4%，比離線 Mini 的 4.0% 高出 2.4 個百分點。官方文件解釋，延遲愈短，模型能參考的後續聲音就愈少，所以準確度會下降。官方即時轉錄文件建議的起始設定正好是 480 毫秒。

要用在客服對話，必須在自己的資料上確認 6% 上下的錯誤率能不能接受。

另外還有一個容易漏掉的細節。這份 35 種語言的即時評測清單沒有中文，圖說卻提到中文改用字元錯誤率，兩者對不上。語言頁雖然說即時模型支援 45 種語言與方言，我在查到的頁面裡找不到完整名單，所以中文即時轉錄的實際表現要自己測。

延伸閱讀：Mistral AI 推出 Voxtral TTS！跟 ElevenLabs 正面對決

轉錄之後，輪到語音生成與整條代理管線的成本與延遲。

Voxtral 3 語音生成與代理 API：每分鐘 0.04 美元買到什麼？

語音生成的賣點是用幾分之一的價格換到接近的品質，官方用四張品質對價格的散點圖支持這句話，但四張圖的結論並不一致。這四張圖都要先看評測口徑。

Voice Code Bench 的題目由 BeSimple AI 製作，專門測客服最怕出錯的數字與專有名稱，共 300 句英文提示，每個系統兩種聲音。

評審模型是 gemini-3.8-flash，價格取自各家定價頁，資料日期是 2026 年 10 月 20 日。圖上共 16 個系統，下表只列分數或價格最接近的五個。

所以在這個專測數字與名稱的題目上，ElevenLabs 高出約 18 個百分點，但價格是 Voxtral 的 3 到 6 倍。在價格不高於 13 美元的模型裡，Voxtral 的分數最高，只是沒有追上最貴的那一組。

另外三張圖是 Mistral 的內部評測，題目由 Mistral 自己挑選。發音控制題用 300 句含罕見或自創詞的英文，Voxtral 是 86.8%，Inworld TTS-2 是 81.8%，Eleven v4 是 68.2%。

這題讓評審對照目標詞的音標來聽，官方文件沒有記載發音控制的系統只列在資料中，沒有畫在圖上。

多語言題取 11 種語言，由評審模型打 1 到 5 分，Eleven v4 是 3.17，Voxtral 是 3.16，Eleven v4 Turbo 是 3.15。英文表現力題則是 Eleven v4 的 3.17 對上 Voxtral 的 3.13。

差距只在小數點後第二位，圖表說明也沒有附信賴區間，所以我只把它讀成「品質在同一個等級」，不推論誰更好聽。聽感最後仍要靠自己的耳朵與目標聽眾。

語音代理 API 才是這次最完整的產品。每一回合依序經過語句結束偵測、轉錄、語言模型、工具與語音生成，使用者從停下來到聽見回答的時間，是這些階段相加。

官方部落格說各階段不必等前一段完成，所以每回合在一秒以內。

但延遲文件說這些階段串成一條鏈，延遲逐段相加，還提醒模型延遲與端到端延遲是兩個數字，後者包含網路與你的程式。所以「一秒以內」只是 Mistral 的描述，你的客服線路會得到多少，得自己量。

價格方面，用 Mistral Small 4 推理時是每分鐘 0.04 美元。我依官方價格換算，若每月有 1,000 通平均 5 分鐘的電話，整通都計費的話約 200 美元，換成其他推理模型是 400 美元。

我讀過的頁面裡沒有看到計費粒度的說明，所以這只能當估算。這個價格也不包含你自己的資料庫、工單系統或電話線路費。

官方文件列出的內建工具有網路搜尋、文件庫與工作區連接器，自己的函式則在你的程式裡執行。

要特別注意電話場景。官方文件說明，電話上沒有你的程式在執行，所以放在用戶端的工具會失敗，電話代理只能用伺服器端工具。訂位或查帳這類動作，得在設計階段就寫成伺服器端工具。

即時轉錄還有一個限制。同一個即時工作階段不能同時開啟說話者分離與語句結束偵測，兩者同時設定會回傳錯誤，需要兩者的場景必須拆成不同工作階段。

延伸閱讀：Mercury Voice 主打 320 毫秒開始回答：語音 AI 變快，不能只看模型那一段

了解流程與成本之後，導入前還有幾件事要先核對。

導入 Voxtral 3 前先核對：語言、授權、部署與舊版遷移

導入的第一個檢查點，是官方頁面對同一件事的說法並不一致。我把部落格、模型頁與語言頁、限制頁並排，差異如下。

模型頁寫「9 種語言」，疑似沿用 3 月 Voxtral TTS 的文字，當時官方寫的正是 9 種語言。這是我的推測，我沒有看到官方說明原因，但 9 種和 35 種不可能同時正確，即時轉錄的 35、40、45 種也一樣。

延遲的三個說法則不互相衝突，模型頁寫的是範圍，限制頁才交代實際只接受哪些值，部落格的 500 毫秒以內是官方對整體表現的描述。

遇到這種情況，語言頁最像最新規格，因為它同時列出各模型的範圍。不過規格頁也可能更新不同步，所以實際導入前，應該用自己的語料逐語言測試，而不是只看數字。

授權與自架是第二個檢查點。官方部落格寫可以用 Mistral 的歐洲託管 API，也可以部署在自己的基礎設施，但要在地端或私有雲跑完整堆疊，頁面寫的是聯絡 Mistral 團隊。

我在 Hugging Face 的 Mistral 帳號搜尋 Voxtral，只看到 2025 到 2026 年的舊版，沒有 Voxtral 3 的公開權重。

舊版的授權也不一樣。Voxtral-Mini-4B-Realtime-2602 是 Apache 2.0，Voxtral-4B-TTS-2603 則是 CC BY NC 4.0，後者限定非商業用途。

所以 Voxtral 3 的權重若日後公開，授權條款需要重新確認，不能直接沿用舊版的印象。

API 的託管位置有歐洲、美國與全球三種端點，官方也強調使用者可以控制音訊是否保留。資料主權對歐洲企業是賣點，對台灣團隊則要回到自己的隱私政策，確認音訊送往哪個地區是否合規。

第三個檢查點是舊版遷移。官方有專門的遷移頁，列出 Voxtral 2 到 Voxtral 3 的模型對照。最容易讓程式出錯的一項，是字詞級時間戳已經移除，要求 word 會回傳 400 錯誤，只能改用片段級時間戳。

即時轉錄的設定也變嚴格。所有設定必須在第一段音訊送出前一次寄完，之後再更新會收到錯誤事件。說話者分離的結果可能出現片段重疊，顯示介面要能同時保留兩段。

聲音複製的規則也值得先讀。官方文件寫零樣本複製只需要一小段錄音，專業聲音複製則建議 30 分鐘到 3 小時的素材。複製他人的聲音前，應該先取得本人同意，這是我的建議，不是官方條文。

這幾件事確認後，才能判斷自己屬於哪一類使用者。

適合誰、不適合誰

適合先試的，是已經有語音客服、會議紀錄或語音助理需求，並想壓低每分鐘成本的開發團隊。它的價格與 SDK 組合，可以讓你用同一個供應商搭出完整原型。

也適合需要多語言、說話者分離與專有名詞詞表的轉錄工作。這幾項在官方圖表上都有領先或並列的成績，而且 Small 與 Mini 的價格差距小，可以用同一批音檔比兩種準確度。

不適合直接採用的，是必須自架權重、不能把音訊送到外部 API 的團隊。目前沒有公開權重，官方只寫完整堆疊要聯絡 Mistral 團隊，沒有列出地端部署的價格。

中文口語為主、即時轉錄是核心功能的團隊，也要保留測試時間。即時模型的 35 種語言評測沒有中文，離線評測雖然有中文，我也沒有在官方頁面看到針對台灣口音與繁體輸出的數字。

導入順序建議先用離線 Mini 轉錄跑自己的樣本，確認詞表效果，再開即時模型測延遲設定，最後才把語音代理接到電話。因為每一步的失敗原因不同，分開測才找得到問題。

Voxtral 3 的限制與風險

最需要先認清的，是所有圖表都由 Mistral 自己發布，測試設定由廠商挑選。

轉錄用的是 FLEURS 公開資料集與 Artificial Analysis 的指數。語音生成的四張圖中，Voice Code Bench 的題目由 BeSimple AI 製作，其餘三張標示為內部評測，四張的評審都是另一個語言模型，圖說也沒有交代是誰執行測試。

評審模型有自己的偏好，這是這類評測共通的限制。所以這些圖適合用來決定「值不值得測」，不適合直接當成採購依據。

模型狀態是 Public Preview，官方文件的個別頁面也提醒，部分功能在上線時尚未開放，例如語音生成的整體風格指令。預覽版日後可能調整介面與價格，這是我的提醒，不是官方說法，重要專案要預留變更空間。

電話整合只對企業客戶開放，要走客戶團隊。這讓小團隊很難驗證端到端的電話體驗，只能先用網頁或本機 SDK 測試。

延遲與準確度之間有取捨。官方文件寫得很直接，語句結束偵測沒有一個設定可以同時避免打斷人與回得太慢。收集地址與訂單編號這類會停頓的內容，要偏向晚一點結束，快問快答的語音選單則偏向早一點。

聲音複製帶來冒用風險。語音生成用在客服或行銷時，聽眾可能不知道對方是 AI，所以要先確認所在地法規與平台規則是否要求揭露，這點模型頁沒有替使用者決定，需要導入的團隊自己處理。

最後是成本估算的不確定。我換算的每月費用只含官方列出的每分鐘價格，沒有包含你的雲端運算、通話線路、儲存與人工覆核，真正的總成本要在小規模試跑後才看得出來。

導入時最容易卡住的問題，集中在語言、價格、自架與舊版升級，這些在常見問題裡一次回答。

Voxtral 3 常見問題

Voxtral 3 可以用在中文語音轉錄嗎？

官方離線評測的 45 種語言包含中文，語音生成也列出中文（普通話）預設聲音。但我搜尋官方部落格與文件頁，沒有看到台灣口音或繁體輸出的專門數字，即時轉錄的 35 種語言評測清單也沒有中文，所以要用自己的錄音測試。

Voxtral 3 的價格怎麼算？

離線轉錄是 Mini 每分鐘 0.0035 美元、Small 每分鐘 0.004 美元。即時轉錄每分鐘 0.008 美元，語音生成每百萬字元 13 美元，語音代理 API 每分鐘 0.04 美元起。

Voxtral 3 能自己架在公司內部嗎？

官方說可以在自己的基礎設施部署，但完整堆疊要聯絡 Mistral 團隊。我查詢時 Hugging Face 上沒有 Voxtral 3 的公開權重，所以目前不能自行下載使用。

從 Voxtral 2 升級要改什麼？

要換成新的模型代號，字詞級時間戳改為片段級，即時工作階段的設定要在第一段音訊前一次送完。語音生成的情緒也從不同聲音改為文字內的標籤。

先用自己的音檔測過，再決定要不要換

Voxtral 3 把轉錄、語音生成與語音代理放進同一個 API，價格明確，官方圖表也交代了對手與條件。對想壓低語音功能成本的團隊，這是一個值得認真比較的選項。

但領先與並列要分開看，即時版的準確度、中文表現與電話整合都需要自己驗證。建議先拿一批真實錄音，比較錯誤率、延遲設定與專有名詞詞表的效果，再決定是否把代理接到正式線路。

想持續追蹤語音 AI 與代理的新發展，可以免費訂閱 AI 郵報，也可以回到官方文件核對價格與語言清單是否更新。

資料來源

• Mistral 官方部落格 Voxtral 3
• Mistral 文件 Voxtral Small Transcribe 3
• Mistral 文件 Voxtral Mini Transcribe 3
• Mistral 文件 Voxtral Mini Transcribe Realtime 3
• Mistral 文件 Voxtral TTS 3
• Mistral 文件 語音代理概覽
• Mistral 文件 語言頁
• Mistral 文件 限制頁
• Mistral 文件 從 Voxtral 2 遷移
• Mistral 文件 價格頁
• Mistral 文件 即時轉錄
• Mistral 文件 輪替與語句結束偵測
• Mistral 文件 延遲
• Mistral 文件 電話串接
• Mistral 官方部落格 Voxtral TTS（3 月）
• Mistral 官方 X 貼文（熱度線索）
• Hugging Face Voxtral-Mini-4B-Realtime-2602
• Hugging Face Voxtral-4B-TTS-2603