Voxtral 3: godzina polskiego nagrania za 0,21 USD

20 października Mistral wypuścił Voxtral 3: modele do zamiany mowy na tekst i tekstu na mowę oraz SDK do agentów głosowych. Transkrypcja audio po polsku jest możliwa: polski jest wśród 50 obsługiwanych języków. Najtańszy model kosztuje 0,0035 USD za minutę.

Stan: ogłoszone. Według historii zmian wszystkie cztery modele są w publicznym podglądzie. Ceny i listy języków według wpisu Mistrala, wyniki testów to pomiary producenta.

Ile kosztuje godzina nagrania?

Przeliczyłem cennik Mistrala na godzinę:

Model	Za minutę	Za godzinę
Voxtral Mini Transcribe 3, wsadowo	0,0035 USD	0,21 USD
Voxtral Small Transcribe 3	0,004 USD	0,24 USD
Voxtral Mini Transcribe Realtime 3	0,008 USD	0,48 USD

Firma z czterema godzinami spotkań tygodniowo zapłaci za transkrypcję w Small mniej niż 1 USD na tydzień. Przy takiej cenie koszt przestaje być argumentem. Liczy się jakość po polsku i to, gdzie trafia nagranie.

Jak radzi sobie z polskim?

Mistral podaje wynik zbiorczy. Na zestawie FLEURS z 45 językami, w tym polskim, średni odsetek błędnych słów wynosi według producenta 4,0–4,1% dla Small i 4,5–4,6% dla Mini. Osobnego wyniku dla polskiego wpis nie podaje.

Średnia z 45 języków może ukrywać słabszy polski. Zanim przeniesiesz na Voxtral transkrypcję rozmów z klientami, puść przez niego jedno własne nagranie z nazwiskami i terminami z twojej branży.

Pomaga w tym funkcja „context biasing”. Przyjmuje listę słów kluczowych, które model ma rozpoznawać pewniej. To dobre miejsce na nazwy produktów i nazwiska.

A synteza mowy po polsku?

Tu jest haczyk.

Polski jest w bibliotece wielojęzycznej Voxtral Mini TTS 3. Nie ma go jednak wśród 18 języków, dla których Mistral daje gotowe głosy. Wpis wymienia z nazwy 16 z nich, polskiego wśród nich nie ma.

Dokumentacja jest tu niespójna. Strona modeli podaje dla Voxtral TTS 3 „9 languages”, a wpis o premierze mówi o ponad 35.

Kto chce polskiego lektora, musi więc sklonować głos. Historia zmian wymienia klonowanie bez treningu („zero-shot voice cloning”), a wersja Pro Voice według Mistrala potrzebuje 30 minut nagrania. Synteza kosztuje 13 USD za milion znaków.

Dlaczego to ważne dla polskiej firmy?

Bo Voxtral działa przez API hostowane w UE albo na własnych serwerach. Nagranie rozmowy z klientem to dane osobowe. Region przetwarzania ma znaczenie dla RODO, o czym pisałem przy wyborze regionu w modelu Mistral Large 4.

Mistral udostępnia Voxtral 3 przez endpointy europejskie, amerykańskie i globalne. Region trzeba więc wybrać świadomie, tak jak przy modelach tekstowych.

Wniosek: do transkrypcji spotkań po polsku Voxtral Small jest wart próby, bo godzina kosztuje 0,24 USD, a przy endpoincie europejskim nagranie zostaje w UE. Do polskiego lektora zaplanuj klonowanie własnego głosu, bo gotowego polskiego głosu nie ma.