Hình ảnh giúp hiểu rõ bài viết
Mistral AI ngày 20/10/2026 (giờ địa phương) công bố dòng mô hình giọng nói Voxtral 3, cung cấp các chức năng nhận dạng tiếng nói, phiên âm theo thời gian thực, tạo và nhân bản giọng nói, cùng khả năng xây dựng tác nhân AI vận hành bằng giọng nói.
Chi phí phiên âm và tạo giọng nói
Với xử lý theo lô, Voxtral Mini Transcribe 3 có giá 0,0035 USD/phút, trong khi Voxtral Small Transcribe 3 có giá 0,0040 USD/phút. Phiên bản Voxtral Mini Transcribe Realtime 3 dành cho phiên âm thời gian thực được niêm yết ở mức 0,008 USD/phút.
Mô hình tạo giọng nói Voxtral Mini TTS 3 có giá 13 USD cho mỗi một triệu ký tự. Theo Mistral AI, công nghệ chuyển văn bản thành giọng nói này hỗ trợ hơn 35 ngôn ngữ. Trong đánh giá nội bộ về khả năng TTS đa ngôn ngữ và mức độ biểu cảm của giọng tiếng Anh, công ty sử dụng gemini-3.8-flash làm mô hình chấm điểm.
API tác nhân giọng nói và phương thức triển khai
Chi phí API tác nhân giọng nói thay đổi tùy mô hình được kết hợp. Cấu hình sử dụng Mistral Small 4 reasoning có giá 0,04 USD/phút, còn cấu hình dùng mô hình lớn hơn có giá 0,08 USD/phút.
Voxtral 3 được cung cấp qua các điểm truy cập API của Mistral AI tại châu Âu, Mỹ và trên phạm vi toàn cầu. Khách hàng muốn triển khai tại chỗ hoặc trên đám mây riêng phải liên hệ trực tiếp với công ty. Người dùng cũng có thể thử các tính năng phiên âm, tạo và nhân bản giọng nói, cũng như tác nhân giọng nói trong môi trường Studio playground.
Kết quả đánh giá phiên âm độc lập
Trong phép đo AA-WER ở chế độ không truyền phát của tổ chức đánh giá độc lập Artificial Analysis, Voxtral Small đạt tỷ lệ 2,1%, còn Voxtral Mini đạt 2,2%. Hai mô hình xếp sau Fun-Realtime-ASR-preview với 1,7% và MAI-Transcribe-2 với 2,0%.
Cùng bảng so sánh, Scribe v2 đạt 2,2%, ngang Voxtral Mini; Gemini 3.5 Transcribe đạt 2,6% và GPT Transcribe đạt 3,3%. Chỉ số AA-WER được tính với trọng số 50% cho AA-AgentTalk, 25% cho VoxPopuli-Cleaned-AA và 25% cho Earnings22-Cleaned-AA.
Nhận xét
Đăng nhận xét