3 月 26 日，Mistral 發布了 Voxtral TTS，這是他們的第一個語音模型。
4B 參數、開放權重、人工評測自然度超越 ElevenLabs Flash v2.5、API 定價每千字 0.016 美元、可直接在自己的伺服器上運行——這是這款產品的核心賣點。
4B 參數的構成方式
Voxtral TTS 的架構由三個模組組成：
| 元件 | 參數量 | 功能 |
|---|---|---|
| 變換器解碼器主幹 | 3.4B | 基於 Ministral 3B，負責語言理解與文字處理 |
| 聲學變換器 | 390M | flow-matching 架構，處理音訊特徵生成 |
| 神經音訊編解碼器 | 300M | 對稱編解碼設計，音訊壓縮與還原 |
延遲數據：輸入 500 字文字、10 秒參考音訊，首幀音訊在 70 毫秒內輸出。即時因子約 9.7 倍，也就是說生成 1 秒語音大約只需要 0.1 秒計算時間。
與 ElevenLabs 相比是什麼水準
Mistral 在發布公告中的說法：人工評測顯示，Voxtral TTS 的語音自然度超越 ElevenLabs Flash v2.5，與 ElevenLabs v3 品質持平。
ElevenLabs 是目前語音 AI 賽道的頭部玩家，v3 是他們的旗艦產品。「持平旗艦、超越次旗艦」這個定位，放在一個 4B 的開放權重模型身上，算是相當大膽的聲明。
聲音克隆方面，3 秒參考音訊就足夠了。不是簡單複製音色，而是能捕捉口音、語調起伏、停頓習慣，甚至「呃、嗯」這類語言習慣的節奏感。此外支援零樣本跨語言遷移——同一組聲音配置，切換語言朗讀，口音理論上能保持一致。
支援語言
英語、法語、德語、西班牙語、荷蘭語、葡萄牙語、義大利語、印地語、阿拉伯語，共 9 種。
中文不在列表裡——對台灣與華語用戶來說這是硬傷，現階段可以直接跳過不考慮這款。
開放程度要說清楚
這裡有個細節值得注意：Voxtral TTS 的權重協議是 CC BY NC 4.0，不是 Apache 2.0。
「NC」就是 Non-Commercial——非商業用途可以自由下載、修改、散佈，商業用途需要走 API。如果做學術研究、個人專案、內容展示，直接去 Hugging Face 下載權重，沒有使用限制。如果要整合進商業產品，使用 API：每千字元 0.016 美元。
競品價格參考：ElevenLabs Flash v2.5 大約是每千字 0.066 美元，Voxtral API 大約是它的四分之一，價格優勢相當明顯。
誰會受這款產品影響
語音 AI 這幾年格局變動不小。ElevenLabs 之前幾乎是預設選擇，之後 Deepgram、OpenAI、微軟陸續補上 TTS 能力，字節跳動的語音產品也在中國國內競爭。Mistral 進來走的是「開放權重 + 低價 API」的路線——與它做語言模型的策略一模一樣。
語音 agent、播客製作、語言學習、客服系統是 TTS 的主要落地場景。對於想控制成本、數據不想出境的企業，自部署選項確實有吸引力——哪怕你要商用，可以先使用開放權重做測試，確認效果再切到 API。
但重申一遍：中文不支援。這款產品現在的主要受眾是歐洲、南亞或者多語言出海團隊，台灣與華語市場直接使用的場景不多。
參考來源：Mistral AI just released a text-to-speech model it says beats ElevenLabs（VentureBeat）；Mistral releases a new open source model for speech generation（TechCrunch）；CocoLoop、Speaking of Voxtral（Mistral AI 官方部落格）