Voxtral 3 私有化成本账:4B 参数最轻,许可是最大变量
10 月 20 日,Mistral 发布 Voxtral 3 语音模型家族:三个语音转写模型(Small Transcribe 3、Mini Transcribe 3、Mini Transcribe Realtime 3)、一个语音合成模型(Mini TTS 3),外加基于 LiveKit 的 Voice Agent SDK,把 听、思考、调工具、说 串成一条实时流式管线。按 Mistral 官方变更日志,四个模型目前均为 Public Preview;转写覆盖 50 余种语言(含 24 个欧盟官方语言),合成覆盖 35 余种语言、50 余种方言,Pro Voice 用 30 分钟录音即可复刻说话人音色。

价格线:官方与三家独立媒体数字一致
官方定价:Mini Transcribe 批量 $0.0035/分钟、Small $0.0040/分钟、Realtime $0.008/分钟,Mini TTS 3 为 $13/百万字符;语音 Agent API 配 Mistral Small 4 推理 $0.04/分钟,换更大模型 $0.08/分钟。Search Engine Watch、CellCog 与 eesel 三家独立按同一价目核算:1 万分钟通话,Agent 管线 $400–$800,纯批量转写 $35,实时转写 $80。质量侧,FLEURS 45 语种词错率官方与 eesel 均记为 Voxtral Small 4.0%、Whisper large-v3 14.9%,说话人分离错误率从 30.9% 降到 18.6%——注意这些是厂商自建评测口径,第三方尚未独立复现,采购时按 厂商自报 入账。合成侧 $13/百万字符的价格低于 ElevenLabs Flash 档(eesel 对比),是语音输出定价少有的公开参照点。

私有化的真正门槛:这次闭了权重
与上一代 Voxtral 系列(开放权重、Modified MIT 许可)不同,Voxtral 3 本次未随发布放出权重,eesel、NoCode MBA 与中文社区文章均指出这一点。官方口径是 主权部署:可用欧盟托管 API,也可以自部署;但落地路径写得很直白——全栈本地或私有云部署,请联系官方销售团队。也就是说部署许可条款与最低硬件要求均未公开。好的一面是 Mini Transcribe 3 只有 4B 参数:按公开参数估算,单张消费级 GPU(8–16GB 显存、int8 量化)即可承担批量转写推理,推理侧硬件是这条产品线里最便宜的一环;不确定项全在许可与商务条款上。另外 eesel 提到 SIP 电话线路接入在发布初期仅对企业客户开放(单源信息,待官方确认)。文档还给出 Realtime 模型 80–1200 毫秒的延迟档位、官方称 40 余种语言下低于 500 毫秒。流式推理对单机是持续负载,显存与内存预算要按并发路数折算,要按并发路数折算,而不是按峰值一把买足。
成本测算:以月通话 2 万分钟为例
按一家中型客服中心月通话 2 万分钟做两条路线测算(数字基于官方价目,自算):API 路线,Agent 管线 $0.04/分钟即 $800/月;若只做工单留存的离线转写,批量价 $0.0035/分钟约 $70/月。2 万分钟/月折算平均并发不足 3 路,即便走自部署,承载推理的硬件上限也很低——真正的成本差不在 GPU,而在商业许可费、私有云运维与音频合规审计。选型判据:若通话数据必须留在企业或本国境内(医疗、金融、政务场景),私有化路线的合规收益高于 API 溢价;若无留存与出境限制,API 路线上线更快、成本可预测。同时要记得价目表没算电话线路费、人工兜底与合规审计,真实总成本会高于每分钟几分钱的账面数字。
观察一句:Mistral 这次选择 先 API、授权后谈 的交付节奏,等于把主权部署从工程问题变成了商务问题,给采购方的议价筹码只有一个字——等。
来源:Mistral AI 官方公告与变更日志(2026-10-20)、Search Engine Watch、CellCog、eesel AI、NoCode MBA;价格经多源交叉核验,性能数据为厂商自报,成本测算为自算。