⬇ EPUB GitHub
← 模型目录

Voxtral Small Transcribe 3 / Voxtral Mini Transcribe 3 / Voxtral Mini Transcribe Realtime 3 / Voxtral Speech 3

Mistral AI · 2026-10-20 · 专项模型

官方发布来源 · 按需求选型 · 查看覆盖缺口 · 归档与转录记录

Voxtral Small Transcribe 3

Voxtral 3 家族中精度最高的语音转文本模型，主打多语转写、说话人分离与上下文偏置。官方称在多语转写与说话人分离上领先 Whisper、Scribe v2 与 Gemini 3.5 Transcribe，FLEURS 45 指定语种 WER 4.0%、说话人分离 cpWER 18.4%。本次发布共收录 13 项官方评测数值。

输入模态
语音转文本
上下文
官方资料未说明
参数
官方资料未说明
价格（每百万 tokens）
USD 输入 未说明 / 输出 未说明 · 0.0040 USD/分钟

本变体的评测证据

fleurs 4.0% 模型 voxtral-small-transcribe-3 · 版本 45 languages, Forced · 指标 Word Error Rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: It hears 50+ languages, with state-of-the-art accuracy. · table: FLEURS 45 图表（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Small Transcribe 3（Forced，指定语种） · figure: FLEURS 45 Forced vs Inferred 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Small Transcribe 3: 4.0%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "45 个共有语种交集上的宏平均 WER（日/韩/泰/中改用 CER）",
  "judge": null
}

同图对照（指定语种 WER，越低越好）：Microsoft AI Transcribe 2 4.0%（与自家持平）、Voxtral Mini Transcribe 3 4.5%、Gemini 3.5 Transcribe 4.5%、Scribe v2 4.9%、GPT Transcribe 5.6%、Whisper large-v3 14.9%。官方脚注列明 45 个语种清单，日语、韩语、泰语、中文用 CER 代替 WER。

打开官方来源

fleurs 4.1% 模型 voxtral-small-transcribe-3 · 版本 45 languages, Inferred · 指标 Word Error Rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: It hears 50+ languages, with state-of-the-art accuracy. · table: FLEURS 45 图表（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Small Transcribe 3（Inferred，自动检测语种） · figure: FLEURS 45 Forced vs Inferred 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Small Transcribe 3: 4.1%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "45 个共有语种交集上的宏平均 WER（日/韩/泰/中改用 CER）",
  "judge": null
}

同图对照（自动检测语种 WER，越低越好）：Microsoft AI Transcribe 2 4.1%（与自家持平）、Voxtral Mini Transcribe 3 4.6%、Gemini 3.5 Transcribe 6.1%、Scribe v2 4.9%、GPT Transcribe 6.3%、Whisper large-v3 16.0%。

打开官方来源

cpwer-diarization 18.4% 模型 voxtral-small-transcribe-3 · 版本 Small · 指标 cpWER · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Diarization · table: Diarization 柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Small Transcribe 3 · figure: Diarization cpWER 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Small Transcribe 3: 18.4%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "五个公开分离基准的宏平均拼接最小置换 WER（AMI 与 AISHELL 取 30 分钟版本）",
  "judge": null
}

new-benchmark: cpwer-diarization（说话人分离（diarization）质量评测，官方口径为拼接最小置换 WER，越低越好） 同图对照：Voxtral Mini Transcribe 3 18.6%、Pyannote Orchestrator（Precision 3）19.0%、Microsoft AI Transcribe 2 20.3%、Scribe v2 23.0%、Voxtral Mini Transcribe 2 30.9%、Gemini 3.5 Transcribe 38.4%。覆盖基准为 AMI-IHM、AMI-SDM、Switchboard、Switchboard CallHome、AISHELL-4。

打开官方来源

keyphrase-recall 94.6% 模型 voxtral-small-transcribe-3 · 版本 Earnings 22, With Context · 指标 Keyphrase Recall · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Keyphrase Recall · table: Keyphrase Recall 柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Small Transcribe 3（含上下文） · figure: Keyphrase Recall 叠加柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Small Transcribe 3: 94.6%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: keyphrase-recall（关键短语召回评测，官方在 Earnings 22 基准上统计，越高越好） 同图对照（含上下文）：Scribe v2 94.3%、Gemini 3.5 Transcribe 87.3%。官方脚注说明上下文偏置含关键术语与 0–100 条随机干扰词，柱状图为绝对值叠加，外柱为含上下文、内柱为不含上下文。

打开官方来源

keyphrase-recall 81.4% 模型 voxtral-small-transcribe-3 · 版本 Earnings 22, Without Context · 指标 Keyphrase Recall · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Keyphrase Recall · table: Keyphrase Recall 柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Small Transcribe 3（不含上下文） · figure: Keyphrase Recall 叠加柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Small Transcribe 3: 81.4%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

同图对照（不含上下文）：Scribe v2 84.0%、Gemini 3.5 Transcribe 80.9%。官方称该模型在含上下文时相对自身不含上下文的提升幅度为对照系统中最明显。

打开官方来源

aa-wer-index 2.1% 模型 voxtral-small-transcribe-3 · 版本 Small · 指标 AA WER Index · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Artificial Analysis Benchmark · table: Artificial Analysis WER 指数柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Small Transcribe 3 · figure: AA WER 指数柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Small Transcribe 3: 2.1%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "VoxPopuli、Earnings-22、AgentTalk 三个基准的加权平均",
  "judge": null
}

new-benchmark: aa-wer-index（Artificial Analysis 语音识别综合 WER 指数，官方口径为 VoxPopuli、Earnings-22、AgentTalk 的加权平均，越低越好） 同图共 37 个系统；紧邻自家之前的对照为 Fun-Realtime-ASR-preview 1.7%、Microsoft AI Transcribe 2 2.0%，之后为 Scribe v2 2.2%、Voxtral Mini Transcribe 3 2.2%、Grok Voice Transcribe 2.0 2.3%、Microsoft AI Transcribe 1.5 2.4%、StepAudio 3 ASR 2.5%、Gemini 3.5 Transcribe 2.6%。

打开官方来源

Voxtral Mini Transcribe 3

4B 参数的轻量转写模型，官方称在低价位下保持准确转写，FLEURS 45 指定语种 WER 4.5%、说话人分离 cpWER 18.6%、Artificial Analysis WER 指数 2.2%。

输入模态
语音转文本
上下文
官方资料未说明
参数
4B
价格（每百万 tokens）
USD 输入 未说明 / 输出 未说明 · 0.0035 USD/分钟

本变体的评测证据

fleurs 4.5% 模型 voxtral-mini-transcribe-3 · 版本 45 languages, Forced · 指标 Word Error Rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: It hears 50+ languages, with state-of-the-art accuracy. · table: FLEURS 45 图表（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Mini Transcribe 3（Forced，指定语种） · figure: FLEURS 45 Forced vs Inferred 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Mini Transcribe 3: 4.5%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "45 个共有语种交集上的宏平均 WER（日/韩/泰/中改用 CER）",
  "judge": null
}

同图对照（指定语种 WER，越低越好）：Voxtral Small Transcribe 3 4.0%、Microsoft AI Transcribe 2 4.0%、Gemini 3.5 Transcribe 4.5%（与自家持平）、Scribe v2 4.9%、GPT Transcribe 5.6%、Whisper large-v3 14.9%。

打开官方来源

fleurs 4.6% 模型 voxtral-mini-transcribe-3 · 版本 45 languages, Inferred · 指标 Word Error Rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: It hears 50+ languages, with state-of-the-art accuracy. · table: FLEURS 45 图表（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Mini Transcribe 3（Inferred，自动检测语种） · figure: FLEURS 45 Forced vs Inferred 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Mini Transcribe 3: 4.6%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "45 个共有语种交集上的宏平均 WER（日/韩/泰/中改用 CER）",
  "judge": null
}

同图对照（自动检测语种 WER，越低越好）：Voxtral Small Transcribe 3 4.1%、Microsoft AI Transcribe 2 4.1%、Gemini 3.5 Transcribe 6.1%、Scribe v2 4.9%、GPT Transcribe 6.3%、Whisper large-v3 16.0%。

打开官方来源

cpwer-diarization 18.6% 模型 voxtral-mini-transcribe-3 · 版本 Mini · 指标 cpWER · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Diarization · table: Diarization 柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Mini Transcribe 3 · figure: Diarization cpWER 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Mini Transcribe 3: 18.6%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "五个公开分离基准的宏平均拼接最小置换 WER（AMI 与 AISHELL 取 30 分钟版本）",
  "judge": null
}

同图对照：Voxtral Small Transcribe 3 18.4%、Pyannote Orchestrator（Precision 3）19.0%、Microsoft AI Transcribe 2 20.3%、Scribe v2 23.0%、Voxtral Mini Transcribe 2 30.9%、Gemini 3.5 Transcribe 38.4%。

打开官方来源

aa-wer-index 2.2% 模型 voxtral-mini-transcribe-3 · 版本 Mini · 指标 AA WER Index · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Artificial Analysis Benchmark · table: Artificial Analysis WER 指数柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Mini Transcribe 3 · figure: AA WER 指数柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Mini Transcribe 3: 2.2%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "VoxPopuli、Earnings-22、AgentTalk 三个基准的加权平均",
  "judge": null
}

同图共 37 个系统；自家 Voxtral Small Transcribe 3 为 2.1%，紧邻对照为 Fun-Realtime-ASR-preview 1.7%、Microsoft AI Transcribe 2 2.0%、Scribe v2 2.2%（与自家持平）、Grok Voice Transcribe 2.0 2.3%、Microsoft AI Transcribe 1.5 2.4%、StepAudio 3 ASR 2.5%、Gemini 3.5 Transcribe 2.6%。

打开官方来源

Voxtral Mini Transcribe Realtime 3

面向智能体场景的实时转写模型，原生支持端到端轮次检测，覆盖 35+ 语种并支持带说话人分离与上下文偏置的实时转写。FLEURS 35 实时评测中 2400ms 窗口 WER 5.7%、240ms 窗口 7.4%。

输入模态
语音转文本
上下文
官方资料未说明
参数
官方资料未说明
价格（每百万 tokens）
USD 输入 未说明 / 输出 未说明 · 0.008 USD/分钟

本变体的评测证据

fleurs 5.7% 模型 voxtral-mini-transcribe-realtime-3 · 版本 35 languages, Realtime 2400 ms · 指标 Word Error Rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Realtime transcription Word Error Rate — lower is better · table: FLEURS 35 实时柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Mini Realtime 3 · 2400 ms · figure: FLEURS 35 实时 WER 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Mini Realtime 3 · 2400 ms: 5.7%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "35 个语种上的宏平均 WER（日/韩/中改用 CER）",
  "judge": null
}

同图对照：Voxtral Mini Transcribe 3（离线基线）4.0%、Gemini 3.5 Realtime Transcribe 4.2%、Microsoft AI Transcribe 2 Streaming 5.8%、GPT Live Transcribe 8.4%、Scribe v2 Realtime 8.7%。

打开官方来源

fleurs 6% 模型 voxtral-mini-transcribe-realtime-3 · 版本 35 languages, Realtime 960 ms · 指标 Word Error Rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Realtime transcription Word Error Rate — lower is better · table: FLEURS 35 实时柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Mini Realtime 3 · 960 ms · figure: FLEURS 35 实时 WER 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Mini Realtime 3 · 960 ms: 6%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "35 个语种上的宏平均 WER（日/韩/中改用 CER）",
  "judge": null
}

同图对照：Voxtral Mini Transcribe 3（离线基线）4.0%、Gemini 3.5 Realtime Transcribe 4.2%、Microsoft AI Transcribe 2 Streaming 5.8%、GPT Live Transcribe 8.4%、Scribe v2 Realtime 8.7%。

打开官方来源

fleurs 6.4% 模型 voxtral-mini-transcribe-realtime-3 · 版本 35 languages, Realtime 480 ms · 指标 Word Error Rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Realtime transcription Word Error Rate — lower is better · table: FLEURS 35 实时柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Mini Realtime 3 · 480 ms · figure: FLEURS 35 实时 WER 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Mini Realtime 3 · 480 ms: 6.4%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "35 个语种上的宏平均 WER（日/韩/中改用 CER）",
  "judge": null
}

同图对照：Voxtral Mini Transcribe 3（离线基线）4.0%、Gemini 3.5 Realtime Transcribe 4.2%、Microsoft AI Transcribe 2 Streaming 5.8%、GPT Live Transcribe 8.4%、Scribe v2 Realtime 8.7%。

打开官方来源

fleurs 7.4% 模型 voxtral-mini-transcribe-realtime-3 · 版本 35 languages, Realtime 240 ms · 指标 Word Error Rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Realtime transcription Word Error Rate — lower is better · table: FLEURS 35 实时柱状图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral Mini Realtime 3 · 240 ms · figure: FLEURS 35 实时 WER 柱状图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral Mini Realtime 3 · 240 ms: 7.4%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": "35 个语种上的宏平均 WER（日/韩/中改用 CER）",
  "judge": null
}

同图对照：Voxtral Mini Transcribe 3（离线基线）4.0%、Gemini 3.5 Realtime Transcribe 4.2%、Microsoft AI Transcribe 2 Streaming 5.8%、GPT Live Transcribe 8.4%、Scribe v2 Realtime 8.7%。

打开官方来源

Voxtral Speech 3

Voxtral 3 的语音合成模型（官方亦称 Voxtral Mini TTS 3.0），支持 35+ 语种与 50+ 方言，可按上下文调整情绪、语速与重音，并支持音色克隆与自定义提示指令跟随。Voice Code Bench 忠实复现片段 80%、读音控制 87%、多语种评委均分 3.16、英文表现力均分 3.13。

输入模态
文本转语音
上下文
官方资料未说明
参数
官方资料未说明
价格（每百万 tokens）
USD 输入 13 / 输出 未说明 · 每百万字符计价，批式与实时同一 API

本变体的评测证据

voice-code-bench 80% 模型 voxtral-speech-3 · 版本 Faithful clips · 指标 Faithful clips · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: It answers with the right emotion, in your or your customer’s brand’s own voice and local dialect. · table: Voice Code Bench 质量/价格散点图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral TTS（13 USD/每百万字符，忠实复现片段 80%） · figure: Voice Code Bench: quality per dollar 散点图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral TTS: $13 · 80%

{
  "harness": null,
  "tools": null,
  "shots": "300 条英文提示",
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": "每系统 2 个音色（女声/男声）",
  "aggregation": "1–5 分制评委评分的忠实复现片段占比",
  "judge": "gemini-3.8-flash"
}

new-benchmark: voice-code-bench（BeSimple AI 出品的语音合成质量评测，覆盖企业客服失败场景中的数字与专有名词） 官方脚注：300 条英文提示、每系统男女两种音色、评委为 gemini-3.8-flash、单价取自各厂商定价页、生成日期 2026-10-20。同图对照（忠实复现片段占比 / 每百万字符价）：Eleven v4 98%（80 USD）、Eleven v4 Turbo 98%（40 USD）、Inworld TTS-2 77%（25 USD）、Inworld TTS-2 Flash 75%（15 USD）、Fish Drama 3 73%（50 USD）、Gemini 3.8 Flash TTS 60%（16 USD）、Qwen-Audio 3.1 Flash 59%（2 USD）、Qwen-Audio 3.0 Plus 56%（20 USD）、Cartesia Sonic 3.6 51%（50 USD）、Gemini 3.8 Flash Lite TTS 48%（10 USD）、Deepgram Flux TTS 46%（45 USD）、Speechify Simba 3.2 45%（10 USD）、OpenAI gpt-4o-mini-tts 40%（16 USD）、Breeze TTS 2 24%（30 USD）、StepFun StepAudio 2.5 19%（85 USD）。

打开官方来源

pronunciation-control 87% 模型 voxtral-speech-3 · 版本 Accurate pronunciations · 指标 Accurate pronunciations · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: It answers with the right emotion, in your or your customer’s brand’s own voice and local dialect. · table: 读音控制质量/价格散点图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral TTS（13 USD/每百万字符，发音准确片段 87%） · figure: Pronunciation control: quality per dollar 散点图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral TTS: $13 · 87%

{
  "harness": null,
  "tools": null,
  "shots": "300 条英文提示",
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": "每系统 2 个音色（女声/男声）",
  "aggregation": "目标词按预期发音的片段占比",
  "judge": "gemini-3.8-flash"
}

new-benchmark: pronunciation-control（语音合成的读音控制评测，统计目标词按预期发音的片段占比，越高越好） 同图对照（发音准确片段占比 / 每百万字符价）：Inworld TTS-2 82%（25 USD）、Cartesia Sonic 3.6 81%（50 USD）、Inworld TTS-2 Flash 80%（15 USD）、Fish Drama 3 69%（50 USD）、Qwen-Audio 3.1 Flash 69%（2 USD）、Eleven v4 Turbo 68%（40 USD）、Eleven v4 68%（80 USD）、Deepgram Flux TTS 65%（45 USD）、Qwen-Audio 3.0 Plus 44%（20 USD）。

打开官方来源

tts-multilingual-judge 3.16 模型 voxtral-speech-3 · 版本 Mean judge score, 11 languages · 指标 Mean judge score · 单位 index 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: It answers with the right emotion, in your or your customer’s brand’s own voice and local dialect. · table: 多语种质量/价格散点图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral TTS（13 USD/每百万字符，多语种评委均分 3.16） · figure: Multilingual: quality per dollar 散点图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral TTS: $13 · 3.16

{
  "harness": null,
  "tools": null,
  "shots": "377 条提示",
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": "11 个语种，每语种 1 个母语音色",
  "aggregation": "每语种评委均分的不加权平均，1–5 分制",
  "judge": "gemini-3.8-flash"
}

new-benchmark: tts-multilingual-judge（语音合成的多语种质量评测，11 个语种上各取 1 个母语音色做评委打分，越高越好） 官方脚注：377 条提示、11 个语种、每语种 1 个母语音色、每语种均分的不加权平均、1–5 分制、评委为 gemini-3.8-flash、单价取自各厂商定价页、生成日期 2026-10-20；覆盖语种不足 11 个的系统只入数据不绘制。同图对照（评委均分 / 每百万字符价）：Eleven v4 3.17（80 USD）、Cartesia Sonic 3.6 3.15（50 USD）、Eleven v4 Turbo 3.12（40 USD）、Inworld TTS-2 3.10（25 USD）、Gemini 3.8 Flash Lite TTS 3.10（10 USD）、Gemini 3.8 Flash TTS 3.09（16 USD）、Inworld TTS-2 Flash 3.07（15 USD）、Fish Drama 3 3.06（50 USD）、OpenAI gpt-4o-mini-tts 2.23（16 USD）。

打开官方来源

tts-expressive-english 3.13 模型 voxtral-speech-3 · 版本 Mean judge score, Expressive English · 指标 Mean judge score · 单位 index 来源等级 A · vendor_reported · 核对日期 2026-10-21 · 距快照 0 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: It answers with the right emotion, in your or your customer’s brand’s own voice and local dialect. · table: 英文表现力质量/价格散点图（页面内嵌组件，数值以 data-value 属性机读） · row: Voxtral TTS（13 USD/每百万字符，英文表现力评委均分 3.13） · figure: Expressive English: quality per dollar 散点图（DOM 内嵌数值，非位图） · quote_snippet: Voxtral TTS: $13 · 3.13

{
  "harness": null,
  "tools": null,
  "shots": "237 条提示",
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": "每系统 2 个音色（Voxtral 为 Sarah 与 James）",
  "aggregation": "1–5 分制评委均分",
  "judge": "gemini-3.8-flash"
}

new-benchmark: tts-expressive-english（语音合成的英文表现力评测，基于 one_eval 提示集打分，越高越好） 官方脚注：237 条提示、每系统 2 个音色（Voxtral TTS 为 Sarah 与 James）、1–5 分制、评委为 gemini-3.8-flash、单价取自各厂商定价页、生成日期 2026-10-20。同图对照（评委均分 / 每百万字符价）：Eleven v4 3.17（80 USD）、Cartesia Sonic 3.6 3.15（50 USD）、Eleven v4 Turbo 3.12（40 USD）、Inworld TTS-2 3.10（25 USD）、Gemini 3.8 Flash Lite TTS 3.10（10 USD）、Gemini 3.8 Flash TTS 3.09（16 USD）、Inworld TTS-2 Flash 3.07（15 USD）、Fish Drama 3 3.06（50 USD）、Speechify Simba 3.2 3.02（10 USD）、Qwen-Audio 3.1 Flash 2.95（2 USD）、Breeze TTS 2 2.95（30 USD）、OpenAI gpt-4o-mini-tts 2.93（16 USD）、StepFun StepAudio 2.5 2.88（85 USD）、Deepgram Flux TTS 2.85（45 USD）、Qwen-Audio 3.0 Plus 2.64（20 USD）。

打开官方来源