Mistral AIAudiomodellAktiv
Voxtral Mini TTS
BeliebtheitPlatz 535 von 785
30von 100+1 zum Vormonat
beruht auf Suche, Nutzung und Aufmerksamkeit
Zusammenfassung
Voxtral Mini TTS verbindet Text-to-Speech mit Zero-Shot-Stimmenklonen. Eine Sprachprobe genügt als Voice-Prompt, ein Transkript der Probe ist laut Mistral nicht nötig. Das Modell unterstützt neun Sprachen und liefert beim Streaming laut Anbieter nach rund 90 ms erstes Audio. Diese Kombination definiert den Endpunkt für schnell startende, geklonte Stimmen.
Mistral listet die Gewichte von Voxtral Mini TTS unter CC BY-NC 4.0. Die Lizenz gilt auch dann, wenn der Checkpoint lokal statt über die API ausgeführt wird. API-Zugang und lokale Gewichte sind damit getrennte Zugangswege, aber keine Umgehung der nicht-kommerziellen Bedingungen.
Alle Benchmark-Werte
Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.
Alle 86 veröffentlichten Benchmark-Werte anzeigen
Seite 1 von 8
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
Voxtral TTS paper human preference win rate versus ElevenLabs Flash v2.5 (zero-shot voice cloning) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 68.4
- Bewertung
- 68.4
- Messgröße
- Micro-average human preference win rate across nine languages
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 5
- Kategorie
- audio
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter Open-Weight-Checkpoint mistralai/Voxtral-4B-TTS-2603. Tabelle 5 der Studie nennt die mittlere menschliche Präferenz-Siegquote gegenüber ElevenLabs Flash v2.5 beim Zero-Shot-Stimmenklonen über Arabisch, Niederländisch, Englisch, Französisch, Deutsch, Hindi, Italienisch, Portugiesisch und Spanisch. Verglichen werden erzeugtes Audio und Referenzclips anhand von Stimmähnlichkeit, Natürlichkeit und Ausdruck. Die Studie nennt weder den Nenner der aggregierten Stimmen noch ein Konfidenzintervall.
- Einordnung
- Dies ist ein von Mistral verfasstes, anbietergemeldetes Ergebnis menschlicher Präferenz beim Zero-Shot-Stimmenklonen, kein unabhängiger MOS und kein allgemeiner TTS-Präferenzwert. Die Studie beschreibt den Aufbau, nennt aber weder die Gesamtzahl bewerteter Paarvergleiche noch den Stimmennenner oder ein Konfidenzintervall. Eine Zahl bewerteter Fälle und Konfidenzgrenzen werden deshalb nicht angegeben.
Voxtral TTS Table 3 MiniMax-TTS Arabic WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 2.68
- Bewertung
- 2.68
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS Arabic
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Arabisch. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 MiniMax-TTS German WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.83
- Bewertung
- 0.83
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS German
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Deutsch. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 MiniMax-TTS English WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.63
- Bewertung
- 0.63
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS English
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Englisch. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 MiniMax-TTS Spanish WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 0.51
- Bewertung
- 0.51
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS Spanish
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Spanisch. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 MiniMax-TTS French WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 3.22
- Bewertung
- 3.22
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS French
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Französisch. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 MiniMax-TTS Hindi WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 4.99
- Bewertung
- 4.99
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS Hindi
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Hindi. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 MiniMax-TTS Italian WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 1.32
- Bewertung
- 1.32
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS Italian
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Italienisch. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 MiniMax-TTS Dutch WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 1.99
- Bewertung
- 1.99
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS Dutch
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Niederländisch. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 MiniMax-TTS Portuguese WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 1.02
- Bewertung
- 1.02
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, MiniMax-TTS Portuguese
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für MiniMax-TTS Portugiesisch. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 3 SEED-TTS WER (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 1.23
- Bewertung
- 1.23
- Messgröße
- Word error rate (WER) of generated speech, measured by Voxtral Mini Transcribe v2
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 3, SEED-TTS
- Kategorie
- audio
- Richtung
- Weniger ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Voxtral-Spalte in Tabelle 3 für SEED-TTS. Die Studie ermittelt WER mit Voxtral Mini Transcribe v2. WER- und UTMOS-Werte aus Tabelle 3 entsprechen für dieselbe Aufgabe den DPO-Werten in Tabelle 6. Laut Studie verändert DPO die Sprecherähnlichkeit um höchstens 0,01.
- Einordnung
- Von Mistral veröffentlichtes automatisches Ergebnis. WER wird mit Voxtral Mini Transcribe v2 ermittelt und ist daher keine unabhängige Transkriptionsprüfung. Die Studie nennt für diese Zeile weder die Zahl ausgewerteter Messungen noch den Lauftag oder ein Konfidenzintervall.
Voxtral TTS Table 4 explicit steering win rate vs ElevenLabs v3 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 51
- Bewertung
- 51
- Messgröße
- Pairwise human preference win rate, ties excluded, explicit emotion steering
- Einheit
- %
- Benchmark-Version
- Voxtral TTS paper arXiv:2603.25551v2, Table 4, flagship voices, explicit steering
- Kategorie
- audio
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Mistral AI, Voxtral TTS paper
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Exakter veröffentlichter Checkpoint mistralai/Voxtral-4B-TTS-2603; Tabelle 4 vergleicht vier Flaggschiff-Stimmen (britische Frauenstimme, britische Männerstimme, amerikanische Männerstimme, französische Frauenstimme) mit nach Geschlecht und Akzent passenden Wettbewerberstimmen. Voxtral nutzt einen anderen Referenzclip derselben sprechenden Person, der die gewünschte Emotion vermittelt. Das Modell nimmt keine Emotions-Tags oder Textanweisungen an. Gemini 2.5 Flash TTS erhält freie Anweisungen, ElevenLabs v3 Emotions-Tags. Drei Muttersprachler desselben Dialekts bewerten jedes Sprach- und Modellpaar. Die Siegquote schließt Gleichstände aus.
- Einordnung
- Von Mistral veröffentlichtes Ergebnis eines paarweisen menschlichen Präferenztests. Die Studie beschreibt 77 Prompts und drei muttersprachliche Bewertende desselben Dialekts je Sprach- und Modellpaar, nennt aber weder die Gesamtzahl bewerteter Vergleiche noch den Nenner der Stimmen oder ein Konfidenzintervall. Tabelle 4 schließt Gleichstände aus. Gemessen wird die Präferenz im beschriebenen Steuerungsaufbau, keine standardisierte Emotionserkennung.
Seite 1 von 8
Beliebtheit im Vergleich
Wie oft das Modell gesucht, genutzt und erwähnt wird, im Vergleich mit allen Modellen dieser Kategorie.
Beliebtheitsindex
0 bis 100, höher ist beliebter
20 von 69 Modellen
Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex
Zeitlicher Verlauf
Wochenwerte vom 18. Oktober 2026 bis 7. November 2026
Voxtral Mini TTSCartesia Ink-2 30Eleven Music v2.5 30GPT-Transcribe 30MAI-Transcribe-1.5 30
Methodenwechsel im Verlauf, ein Sprung an dieser Stelle ist kein Marktereignis:
- 11. November 2026: Wert nur mit Such- oder Nutzungsdaten, 30-Tage-Aufmerksamkeit
Was gerade an Beliebtheit gewinnt, steht für Modelle, Anbieter, Harnesses und KI-Abos gesammelt in Alle KI-Trends.
Voxtral Mini TTS im Vergleich
- 1Voxtral Mini TTS vs. Eleven v33 gemeinsame Tests
- 2Voxtral Mini TTS vs. Gemini 3.1 Flash TTS2 gemeinsame Tests
- 3Voxtral Mini TTS vs. Sonic 3.62 gemeinsame Tests
- 4Voxtral Mini TTS vs. Eleven v43 gemeinsame Tests
- 5Voxtral Mini TTS vs. Eleven v4 Turbo3 gemeinsame Tests
- 6Voxtral Mini TTS vs. Fish Audio S2 Pro2 gemeinsame Tests
- 7Voxtral Mini TTS vs. Fish Audio S2.1 Pro2 gemeinsame Tests
- 8Voxtral Mini TTS vs. Gemini 3.8 Flash-Lite TTS2 gemeinsame Tests
- 9Voxtral Mini TTS vs. Gemini 3.8 Flash TTS3 gemeinsame Tests
Ähnliche Modelle
Weitere Modelle derselben Art wie Voxtral Mini TTS, ausgewählt nach Modellreihe, Anbieter, Größe, Preis und Erscheinungsdatum.
- Voxtral Mini Transcribe RealtimeMistral AI · gleicher Anbieter
- Voxtral Mini Transcribe 2Mistral AI · gleicher Anbieter
- Voxtral Mini Transcribe 3Mistral AI · gleicher Anbieter
- Voxtral Mini Transcribe Realtime 3Mistral AI · gleicher Anbieter
- Voxtral Mini TTS 3Mistral AI · gleicher Anbieter
- Voxtral Mini TTS Realtime 3Mistral AI · gleicher Anbieter
- Voxtral Small Transcribe 3Mistral AI · gleicher Anbieter
- Nemotron-3-DiarizationNVIDIA · beliebt in dieser Kategorie
Alle technischen Daten
Architektur
Ein- und Ausgabe
Wasserzeichen und Herkunft
KI-Wasserzeichen meint unsichtbare Signale in der Ausgabe. Sichtbare Zeichen und Herkunftsmetadaten sind getrennt aufgeführt. Unbekannt bedeutet, dass für die jeweilige Angabe kein ausreichender Beleg vorliegt.
- KI-Wasserzeichen
- Unbekannt
- ohne Quelle
- Wasserzeichen-Technik
- Nicht bekannt
- ohne Quelle
Lizenz und Zugang
API
Weitere Angaben
Preise
- Sprachsynthesepreis
- 16 $ pro 1 Mio. ZeichenQuelle
Quellen und Datenstand
Alle 22 Quellen anzeigen
Benchmarkquellen im Überblick
Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.
Für dieses Modell ist derzeit kein aktives Ergebnis der geprüften externen Auswerter zugeordnet. Weitere Quellenbelege stehen darunter.
Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten.