Mistral เปิดตัว Voxtral 3: โมเดลถอดเสียง 50+ ภาษา, TTS $13 ต่อล้านตัวอักษร และ voice agent SDK บน LiveKit — แต่รอบนี้เป็น API อย่างเดียว ไม่ปล่อย weights

Mistral AI เปิดตัว Voxtral 3 เมื่อ 20 ต.ค. 2026 เป็นชุดโมเดลเสียงที่ครบทั้งฝั่งฟังและฝั่งพูด ได้แก่ โมเดลถอดเสียง (speech-to-text) 3 ตัว, โมเดลสังเคราะห์เสียง (TTS) และ voice agent SDK ที่รวมการฟัง การคิด การเรียก tool และการพูด ไว้ใน pipeline แบบ streaming เดียว กลุ่มเป้าหมายหลักคือ call center, service desk และผู้ช่วยแบบสั่งด้วยเสียง โพสต์บน Hacker News ได้เกือบ 700 คะแนนภายในวันเดียว

ประเด็นที่นักพัฒนาต้องรู้ก่อนคือ แม้ Mistral จะเขียนว่า “self-deploy ได้” แต่หน้า docs ระบุทุกโมเดลเป็น Public Preview ระดับ Premier (คือโมเดลแบบปิด) ส่วนการรันบนเครื่องตัวเองต้อง “ติดต่อทีมขาย” และเมื่อเราตรวจ org mistralai บน Hugging Face วันนี้ก็ไม่พบ Voxtral 3 ซึ่งต่างจาก Voxtral รุ่นก่อน เช่น Voxtral-Mini-4B-Realtime-2602 ที่เป็น Apache-2.0

รายการโมเดลและราคา

โมเดล	ใช้ทำอะไร	ราคา
Voxtral Small Transcribe 3	ถอดเสียงแบบ batch ความแม่นยำสูงสุด + แยกผู้พูด (diarization)	$0.004/นาที
Voxtral Mini Transcribe 3	ถอดเสียงแบบ batch ขนาด 4B	$0.0035/นาที
Voxtral Mini Transcribe Realtime 3	ถอดเสียงแบบ streaming, latency ปรับได้ 80–2,400 ms	$0.008/นาที
Voxtral TTS 3	สังเคราะห์เสียง, clone เสียง, 34 emotion tag	$13/ล้านตัวอักษร
Voice agent API	รวมทั้ง pipeline (ใช้ Mistral Small 4 เป็นตัวคิด)	$0.04/นาที (ใช้โมเดลอื่น $0.08)

ฟีเจอร์ที่น่าสนใจคือ context biasing ซึ่งให้ส่งรายการคำเฉพาะทางหรือชื่อคนไปพร้อมคำขอได้ โดยไม่ต้อง fine-tune ในกราฟ Earnings-22 ของ Mistral ฟีเจอร์นี้เพิ่ม recall ของ keyphrase จาก 81.4% เป็น 94.6% นอกจากนี้ยังมี end-of-turn detection ที่ใช้ทั้งสัญญาณเสียงและความหมายในการตัดสินว่าผู้ใช้พูดจบแล้ว และ Pro Voice ที่ clone เสียงได้จากเสียงตัวอย่างราว 30 นาที

ตัวเลขเทียบคู่แข่ง: ดีจริง แต่ไม่ได้ทิ้งห่าง

• FLEURS 45 ภาษา (มีภาษาไทยรวมอยู่ในค่าเฉลี่ย โดยภาษาไทยวัดด้วย CER): Voxtral Small Transcribe 3 ได้ WER 4.1% / 4.0% (ระบุภาษา / ให้ตรวจภาษาเอง) เท่ากับ Microsoft AI Transcribe 2 พอดี ส่วน Gemini 3.5 Transcribe ได้ 6.1/4.5, GPT Transcribe 6.3/5.6 และ Whisper large-v3 16.0/14.9 คำว่า “outperforms” ในบล็อกจึงใช้ได้กับ Whisper, Scribe v2 และ Gemini แต่ไม่ได้ชนะ Microsoft ในกราฟนี้
• Diarization (cpWER): Small ได้ 18.4% ดีที่สุดในกราฟ ส่วน Mini ได้ 18.6% และ pyannote ได้ 19.0%
• Artificial Analysis WER Index: ในกราฟที่ Mistral นำมาแสดงเอง Voxtral Small Transcribe 3 อยู่อันดับ 3 ตามหลัง Fun-Realtime-ASR-preview และ Microsoft AI Transcribe 2
• Realtime: กราฟ FLEURS แบบ realtime ใช้เพียง 35 ภาษา และไม่มีภาษาไทย ที่ latency 480 ms ได้ WER 6.4%

ข้อขัดแย้งเรื่องจำนวนภาษาของ TTS

บล็อกเปิดตัวเขียนว่า TTS รองรับ “35+ ภาษาและ 50+ สำเนียง” แต่หน้า docs ของ voxtral-mini-tts-3-0 ระบุว่า “Supports 9 languages” ส่วน voice preset สำเร็จรูปมี 18 ภาษา และไม่มีภาษาไทย ในทั้งสองรายการ (ภาษาในเอเชียที่มีคือจีน ฮินดี ญี่ปุ่น เกาหลี และเวียดนาม) กราฟเทียบ TTS ทุกกราฟก็เป็น internal eval ที่ใช้ gemini-3.8-flash เป็นผู้ตัดสิน ถ้าจะใช้กับภาษาไทย ควรทดสอบเองใน Studio playground ก่อน

มุมมอง AI Curator

Voxtral 3 แสดงให้เห็นว่า Mistral เปลี่ยนกลยุทธ์ไปชัดเจน Voxtral รุ่นแรกทำชื่อได้เพราะเป็น ASR แบบ open-weight ที่ดีกว่า Whisper แต่รุ่น 3 เป็นผลิตภัณฑ์ API ที่ขายเป็นรายนาที และใช้คำว่า “sovereign” แทนคำว่า “open” ซึ่งไปในทางเดียวกับ Mistral Large 4 ที่เปิด API มาตั้งแต่ 6 ต.ค. แต่ยังไม่มี weights ให้ดาวน์โหลด สำหรับนักพัฒนาที่เลือก Mistral เพราะรันเองได้ ต้องเข้าใจว่าตอนนี้ “self-deploy” หมายถึงสัญญาองค์กร ไม่ใช่การดาวน์โหลดโมเดลมารัน

ในแง่เทคนิค จุดแข็งจริงคือราคาและความครบของ stack ถอดเสียง $0.0035/นาที คิดเป็นประมาณ 0.21 ดอลลาร์ต่อชั่วโมง และ voice agent ครบ pipeline $0.04/นาที ถือว่าถูกมากสำหรับ call center แต่ตัวเลขในกราฟเองก็บอกว่าความแม่นยำสูสีกับ Microsoft ไม่ได้ทิ้งห่าง

สำหรับไทย ข้อสรุปตรงไปตรงมาคือ ยังไม่ใช่ตัวเลือกแรกสำหรับ voice agent ภาษาไทย ฝั่งถอดเสียง ภาษาไทยอยู่ใน FLEURS 45 แต่ Mistral ไม่ได้แสดงตัวเลขรายภาษา และไม่อยู่ในชุดทดสอบ realtime ฝั่ง TTS ก็ไม่มีภาษาไทยเลย ทีมที่ทำ call center ภาษาไทยควรใช้ Voxtral 3 ได้เฉพาะงานถอดเสียงแบบ batch (เช่น ถอดเทปประชุมหลายภาษาที่ต้องแยกผู้พูด) และควรทดสอบ CER กับเสียงจริงของตัวเองก่อน ส่วนงานเสียงพูดภาษาไทย โมเดลท้องถิ่นหรือ ASR open-weight ที่เอามา fine-tune เองยังได้เปรียบเรื่องทั้งภาษาและอธิปไตยของข้อมูล ซึ่งเป็นจุดที่ Mistral พยายามขายแต่ยังทำให้ไม่ได้ในภูมิภาคนี้

แหล่งข่าว

• Mistral AI — Voxtral 3 (20 ต.ค. 2026)
• Mistral Docs — Voxtral TTS 3
• Mistral Docs — Voxtral Small Transcribe 3
• Hugging Face — mistralai/Voxtral-Mini-4B-Realtime-2602 (Apache-2.0, รุ่นก่อน)