语音 API 换成分钟与字符计价：Voxtral 3 定 0.04 美元/分钟，聚合层比价表失灵

四个模型加一个 SDK，一次全放公共预览

Mistral 于 10 月 20 日发布 Voxtral 3 语音栈，一次给出四个模型和一个语音代理 SDK，全部在 Mistral API 上以公共预览形式上架。四个模型分工清楚：旗舰批量转写 Voxtral Small Transcribe 3，主打多语言准确率、说话人分离与关键短语偏置；4B 的 Mini Transcribe 3 走便宜走量档；Mini Transcribe Realtime 3 走 WebSocket 流式识别，自带断句检测，人一停嘴代理就能接话；文本转语音一侧是 Voxtral Speech 3（发布页同时写作 Mini TTS 3），支持 35 种以上语言、50 种以上方言，并可按对话上下文调整情绪、语速与重音。批量转写覆盖 50 种以上语言，其中包含 24 种欧盟官方语言。

SDK 建在 LiveKit 之上，把听、推理、调工具、说四步压进同一条实时流：实时模型负责听，通用大模型（可用 Mistral Small 4）负责想和调工具，Speech 3 负责用当前对话的语气回话。三段拼起来，官方称每轮交互在一秒内完成，用户中途插话会立即停止播报。由于每一段都是独立模型，团队可以单独换推理模型、换音色、换语种，这一点对做二次分发的平台很关键。

这对聚合分发平台是个麻烦。token 类目可以摊开一张每百万 tokens 的价格榜，语音不行：一段音频的报价取决于语速、静音占比、是否开实时流、以及背后挂哪个推理模型。

我在 OpenRouter 上查到 Voxtral Mini Transcribe 3 已上架，标价 0.000058 美元/秒，折算 0.00348 美元/分钟，与官方 0.0035 美元/分钟只差约 0.6%。聚合层几乎没加价，说明语音类目的路由差价已被压得很薄；能收钱的不再是转售差额，而是把三种单位统一折算成每通话分钟综合成本的那层账。

10 万分钟算账：整包价是自拼的 5.6 倍

按一家企业每月 10 万分钟语音（约 3.3 万通三分钟咨询电话）测算。走整包语音代理 API，0.04 美元/分钟是 4,000 美元；换其他推理模型则 8,000 美元。自己做编排、只买转写加合成：转写按 0.004 美元/分钟计 400 美元，合成按每分钟回话约 240 字符折算，13 美元/百万字符对应每分钟 0.00312 美元、合计 312 美元，两项相加 712 美元。整包价是自拼的 5.6 倍，选 0.08 美元档则是 11.2 倍。多付的 3,288 美元买的不是模型能力，而是一秒以内的延迟、断句检测、插话打断这套编排，以及单点对接与故障兜底。

选型分三档，两条硬风险

我的判断分三档：电话与实时客服走整包，因为自拼的工程与运维成本远超每分钟几分钱的差价；批量录音转写、会议纪要这类离线任务只买按分钟转写，为实时能力付费是浪费；播报与有声内容只买按字符合成，13 美元/百万字符作为横向基准足够便宜。风险有两个。一是实时档不等于旗舰档：厂商自报数据里，Small Transcribe 3 的 AA-WER 为 2.1%、排第三，前两名是 Fun-Realtime-ASR-preview 的 1.7% 与 MAI-Transcribe-2 的 2.0%；但 240 毫秒实时档在 FLEURS 35 上 WER 到 7.4%，同期 Gemini 3.5 Realtime 是 4.2%，延迟敏感的业务必须按实时档验收。二是数据落点：欧盟托管与私有化是两条路，录音涉及个人信息时私有化不是可选项，这条比价格更硬。

对聚合平台来说，语音类目的胜负手在结算口径：谁先把分钟、字符、会话、并发四种单位换算成可比的每通话分钟成本，并配一张实时档与批量档的准确率对照表，谁就能占住企业采购的比价入口。Voxtral 3 只是把这道题摆到了桌面上。

来源：Mistral 官方发布页与定价页、MarkTechPost（2026-10-20）、The Decoder（2026-10-20）、OpenRouter 模型页；对比数字按公开标价折算，实时档与批量档准确率为厂商自报。