Gambaran Umum: Voxtral 3 di Puncak Papan Speech-to-Text
Transkripsi AI terbaik adalah sistem speech-to-text yang menggabungkan akurasi rendah kesalahan kata, biaya operasional masuk akal, kecepatan pemrosesan tinggi, serta fitur tambahan seperti speaker diarization dan dukungan bahasa luas untuk dipakai dalam pipeline produksi yang stabil dan dapat diskalakan. Dalam lanskap itu, Voxtral Small Transcribe 3 dari keluarga Voxtral 3 muncul sebagai salah satu pemain utama dengan tingkat kesalahan kata (WER) 2,1% pada papan independen Artificial Analysis, menempatkannya di posisi ketiga global di bawah Fun-Realtime-ASR-preview milik Alibaba dan MAI-Transcribe-2 milik Microsoft, serta tepat di atas ElevenLabs Scribe v2. Secara praktis, Voxtral 3 paling cocok untuk tim yang mengejar akurasi tinggi plus atribusi pembicara rapi, sementara Gemini 3.5, MAI-Transcribe, Whisper, dan Qwen-Audio menawarkan kompromi berbeda antara biaya, kecepatan, dan kendali teknis.
| Spec | Voxtral Small Transcribe 3 | Gemini 3.5 Transcribe |
|---|---|---|
| WER independen (Artificial Analysis) | 2,1% | 2,6% |
| Cakupan bahasa/lokal | 50+ bahasa | 85+ lokal |
| Speaker diarization | Diarization dengan WER min-permutation 18,4% pada harness Mistral | Diarization hingga 8 pembicara, atribusi "eksperimental" untuk ≥3 |
| Batas durasi audio yang dipublikasikan | Tidak dipublikasikan; panjang maksimum tidak jelas | Audio unary hingga 1 jam, 30 menit dengan diarization atau timestamp kata |
| Model dan bobot | API tertutup, bobot dan lisensi tidak dipublikasikan | API tertutup, tidak tersedia sebagai bobot terbuka |
Akurasi dan Fitur: Voxtral 3 vs Gemini 3.5 dan Qwen-Audio
Jika fokus utama Anda adalah speech-to-text akurasi, Voxtral Small Transcribe 3 unggul tipis atas Gemini 3.5 Transcribe: 2,1% AA-WER vs 2,6% pada papan non-streaming Artificial Analysis, selisih sekitar lima kesalahan per seribu kata. Perbedaan ini kecil, tetapi cukup untuk menempatkan Voxtral 3 dalam percakapan puncak model transkripsi perbandingan global. Di sisi fitur, Gemini 3.5 menang di cakupan bahasa dengan 85+ lokal dan dukungan alih kode dalam kalimat, sedangkan Voxtral 3 mencakup 50+ bahasa termasuk 24 bahasa resmi UE dan beberapa bahasa Asia serta Indic dengan sumber daya rendah. Gemini juga menawarkan diarization hingga delapan pembicara, kosakata khusus hingga seribu istilah, pembersihan ketidaklancaran, dan penanganan koreksi diri dalam satu lintasan. Namun, tabel Mistral menunjukkan bahwa Voxtral Small Transcribe 3 memiliki WER min-permutation diarization 18,4% dibanding Gemini 3.5 pada 38,4%, sehingga atribusi pembicara Voxtral secara kuantitatif lebih rapi pada harness yang sama. Baik Voxtral maupun model lain seperti Qwen-Audio tetap bergantung pada API; angka WER tidak mencatat bagaimana layanan ini gagal di bawah beban, dan insiden produksi tercatat terpisah dalam arsip insiden AI.
Biaya dan Kecepatan: Voxtral 3 vs MAI-Transcribe dan Whisper
Pada dimensi biaya dan throughput, MAI-Transcribe-2 dari Microsoft dan Whisper Large v3 Turbo menggeser posisi Voxtral 3. Artificial Analysis mengukur faktor kecepatan sebagai detik audio yang diproses per detik komputasi: MAI-Transcribe-2 mencetak 308,8×, sedangkan Voxtral Small Transcribe 3 hanya 66,6×, sehingga MAI-Transcribe sekitar empat setengah kali lebih cepat. Di tabel FLEURS 45 Mistral, Voxtral Small Transcribe 3 dan MAI-Transcribe-2 bahkan berbagi angka WER 4,1%/4,0% untuk forced dan inferred language, sehingga imbang di benchmark vendor. Perbedaan nyata justru pada model bisnis. Whisper Large v3 Turbo adalah bobot terbuka berlisensi MIT yang dapat diunduh dan dijalankan di perangkat keras sendiri, dengan biaya marjinal yang bisa dihitung langsung. Voxtral Small Transcribe 3 adalah API pratinjau publik tanpa bobot dan lisensi yang dipublikasikan, sehingga mengubah biaya tetap menjadi biaya terukur per panggilan API. Kedua model, Voxtral dan MAI-Transcribe, tidak dapat diunduh; Mistral tidak menerbitkan bobot, lisensi, maupun jumlah parameter Voxtral, sementara MAI-Transcribe-2 hanya tersedia lewat platform seperti Foundry dan Playground tanpa opsi open-weight.
Open-Source vs API Tertutup: Whisper, Voxtral 3, dan Risiko Produksi
Trade-off besar lain dalam memilih transkripsi AI terbaik adalah antara model open-source seperti Whisper Large v3 Turbo dan API tertutup seperti Voxtral 3. Di Artificial Analysis, Whisper Large v3 Turbo mencatat AA-WER 4,6%, sedangkan Voxtral Small Transcribe 3 berada di 2,1%, sehingga Voxtral lebih akurat pada harness yang sama. Di Open ASR Leaderboard, Whisper Large v3 Turbo dan varian large-v3 juga tampil jauh lebih baik daripada angka FLEURS 45 yang dikutip Mistral, yang menempatkan Whisper pada 16,0%/14,9% sementara Voxtral Small Transcribe 3 pada 4,1%/4,0%. Perbandingan ini menunjukkan bahwa tabel vendor bisa menyesatkan jika dibaca tanpa konteks. Keunggulan Whisper adalah kendali penuh: bobot terbuka, lisensi MIT, dan biaya marjinal yang bisa dioptimalkan di infrastruktur sendiri. Keunggulan Voxtral 3 adalah akurasi dan fitur lanjutan seperti diarization, terjemahan, tanya jawab ucapan, peringkasan, dan function calling, menjadikannya model bahasa-audio yang mampu lebih dari sekadar transkripsi. Namun, baik bobot terbuka maupun API yang dihosting tidak secara otomatis mencatat kegagalan di produksi; insiden nyata baru terlihat di arsip insiden AI yang memuat sumber, tingkat keparahan, dan status sengketa.
Buy if / Skip if
- Buy the Voxtral Small Transcribe 3 if atribusi pembicara adalah produk utama Anda—misalnya catatan rapat, QA panggilan, atau tinjauan kepatuhan—karena diarization dan WER 2,1% memberi kombinasi akurasi dan label pembicara yang kuat.
- Skip the Voxtral Small Transcribe 3 if kebutuhan utama Anda adalah throughput sangat tinggi dan biaya per jam audio serendah mungkin, karena MAI-Transcribe-2 menawarkan faktor kecepatan 308,8× dan model biaya yang lebih efisien untuk volume besar.
- Buy the Gemini 3.5 Transcribe if fokus Anda adalah kualitas transkrip akhir—pemformatan, penanganan koreksi diri, daftar locale besar, serta batas durasi audio yang jelas untuk perencanaan kapasitas.
- Skip the Gemini 3.5 Transcribe if Anda membutuhkan diarization dengan kualitas atribusi pembicara terbaik, karena tabel vendor menunjukkan WER min-permutation diarization Voxtral 3 jauh lebih rendah dibanding Gemini.
- Buy the MAI-Transcribe-2 if Anda mentranskripsi audio berbahasa Inggris dan bahasa yang didukung Microsoft dalam volume besar, dan siap meninjau ulang model biaya ketika harga peluncuran berakhir.
- Skip the MAI-Transcribe-2 if Anda memerlukan bobot terbuka yang dapat diunduh dan dihosting sendiri, karena model ini hanya tersedia sebagai layanan tanpa opsi open-weight.
- Buy the Whisper Large v3 Turbo if Anda ingin "memiliki" model sendiri dengan lisensi MIT, biaya marjinal yang dapat dihitung, dan tanpa ketergantungan pada API tertutup, meski mengorbankan sedikit akurasi dibanding Voxtral 3.
- Skip the Whisper Large v3 Turbo if Anda tidak memiliki tim atau infrastruktur untuk mengelola deployment model besar dan lebih memilih kenyamanan API yang dihosting seperti Voxtral 3 atau MAI-Transcribe.
