Voxtral 3 chép lời tiếng Việt: thử cùng file với Whisper, sai ít hơn khoảng 4 lần

Voxtral 3 của Mistral chép lời tiếng Việt đúng hơn hẳn Whisper trong lần thử của Dunggi. Với cùng đoạn đọc tiếng Việt 3 phút 40 giây, Voxtral Mini Transcribe 3 sai 1,7% số từ, whisper-1 và gpt-4o-transcribe sai 6,8% và 6,6%. Voxtral viết đúng 37/39 tên và thuật ngữ tiếng Anh trong danh sách kiểm, hai model OpenAI chỉ đúng 16 và 21.

Thử ngày 21/10/2026 trên laptop ở Việt Nam. Voxtral chạy trong trang thử Speech to Text của Mistral Studio, tài khoản Free mới tạo, để cài đặt mặc định; file kết quả ghi model là voxtral-mini-transcribe-3. Hai model OpenAI gọi qua API /v1/audio/transcriptions, có khai ngôn ngữ vi hoặc en. Mỗi file chạy một lần cho mỗi model. Bản tiếng Anh chi tiết hơn: Voxtral 3 vs Whisper, tested.

Kết quả chính

• Tiếng Việt: Voxtral sai 1,7% số từ, whisper-1 sai 6,8%, gpt-4o-transcribe sai 6,6% (đã bỏ phần số ra khỏi phép chấm, giải thích ở dưới).
• Tên tiếng Anh trong câu tiếng Việt: Voxtral viết đúng "DeepSeek", "Claude Code", "Claude Opus" ở mọi lần. whisper-1 viết "DeepSig" hoặc "DeepSick" và "Cloud Code"; gpt-4o-transcribe viết "DeepSec" cả 13 lần.
• Tiếng Anh: ba model gần như hoà: 1,6%, 1,7% và 2,1%, cả ba đúng 29/29 tên và thuật ngữ trong danh sách kiểm.
• Giá niêm yết: một giờ âm thanh tốn 0,21 USD với Voxtral Mini Transcribe 3, 0,36 USD với mỗi model OpenAI.
• Gói Free: dùng được trang thử trên web, nhưng muốn gọi API thì phải mua credit hoặc lên gói trả phí.

Voxtral 3 là gì

Ảnh minh hoạ tạo bằng AI

Mistral ra Voxtral 3 ngày 20/10/2026, gồm nhiều model giọng nói: chép lời theo lô (Mini Transcribe 3, 0,0035 USD/phút; Small Transcribe 3, 0,004 USD/phút), chép lời thời gian thực (0,008 USD/phút), đọc chữ thành giọng (13 USD cho một triệu ký tự) và bộ công cụ làm trợ lý giọng nói. Mistral nói phần chép lời hỗ trợ hơn 50 ngôn ngữ. Tiếng Việt có trong danh sách đánh giá của hãng.

Để so sánh, bảng giá của OpenAI ghi Whisper và gpt-4o-transcribe khoảng 0,006 USD/phút, gpt-4o-mini-transcribe 0,003 USD/phút.

Cách thử

• Âm thanh: lời đọc của hai video Dunggi đã làm, nên có sẵn kịch bản chính xác từng chữ.
  • Tiếng Việt: 3 phút 40 giây, 693 từ, giọng Gemini TTS (Aoede). Đây là tập chạy DeepSeek V4.1 Flash trong Claude Code, nhiều tên sản phẩm và thuật ngữ tiếng Anh như bisect, token, Python.
  • Tiếng Anh: 4 phút 24 giây, 727 từ, giọng gpt-4o-mini-tts của OpenAI.
• Chấm điểm: đổi về chữ thường, bỏ dấu câu, rồi tính tỉ lệ sai theo từ (WER) và theo ký tự (CER). Kịch bản viết số bằng chữ ("mười hai") còn cả ba model đều ghi chữ số ("12"), làm điểm cả ba xấu đi như nhau, nên con số chính đã bỏ phần số ở cả hai bên. Hai cách bỏ dấu "khoá" và "khóa" được tính là một.
• Tên và thuật ngữ: đếm theo một danh sách cố định (tên sản phẩm và vài thuật ngữ như "token") trong kịch bản và trong từng bản chép.

Lưu ý trước khi tin số: đây là giọng máy đọc, sạch, một người nói, không tạp âm. Nó gần với lời thuyết minh video hơn là bản ghi cuộc họp. Phép thử cũng hơi nghiêng về OpenAI: khi làm video, quy trình của Dunggi đọc lại những câu mà model chép lời của OpenAI không nghe khớp. Mọi đoạn trong bài đều đã qua bước kiểm đó, vậy mà Voxtral vẫn thắng ở tiếng Việt.

Tiếng Việt: lệch ở tên riêng

Ảnh minh hoạ tạo bằng AI

Dòng "tính cả số" cao ở cả ba vì kịch bản có hơn 100 từ chỉ số viết bằng chữ.

Phần lớn lỗi của OpenAI là tên tiếng Anh nằm giữa câu tiếng Việt. whisper-1 không lần nào viết đúng "DeepSeek" (6 lần "DeepSig", 7 lần "DeepSick"), nghe "Claude" thành "Cloud" 6 lần, 3 lần "Claude Code" còn lại thì viết dính thành "ClaudeCode", nên không lần nào đúng như kịch bản. gpt-4o-transcribe nghe Claude khá hơn (3/6 lần "Claude Code") nhưng ghi "DeepSec" cả 13 lần, "bisec" cho bisect, "mô đồ" cho "model". Cả hai còn nghe nhầm vài từ tiếng Việt: "trỏ" thành "chỏ", "cài" thành "cái", "xu" thành "su".

Voxtral sai ít và sai kiểu khác: "Haiku" thành "cu", tên "Dunggi" thành "Zoomg", "effort" thành "F4", và bisect_left bị dính liền thành một chữ. Nếu cần phụ đề hay biên bản từ nội dung công nghệ tiếng Việt, khác biệt là sửa vài chữ thay vì sửa mọi tên sản phẩm.

Tiếng Anh: ngang nhau

Khác biệt ở tiếng Anh chủ yếu là cách viết ("front end" hay "frontend", "here's" hay "here is"), không phải nghe sai. Với lời thuyết minh tiếng Anh, chọn theo giá hoặc theo API đang dùng là được.

Dùng thử Voxtral miễn phí thế nào

Tạo tài khoản ở console.mistral.ai bằng email, xác minh bằng mã gửi về hộp thư, rồi vào Audio → Speech to Text. Trang thử nhận tối đa 10 file, mỗi file đến 1 GB (mp3, wav, m4a, flac, ogg, mp4, mov, mkv, webm), hoặc ghi âm trực tiếp tối đa 2 phút. Kết quả hiện theo từng câu kèm nhãn người nói, tải về được dạng TXT, SRT (phụ đề) hoặc JSON.

Trang khoá API của tài khoản Free ghi rõ phải nâng gói mới kích hoạt được khoá. Trang nâng gói có gói Pro, Team và trả theo mức dùng (mua credit trước).

Điểm được

• Chép tiếng Việt có lẫn tên sản phẩm tiếng Anh, đúng kiểu người Việt nói về công nghệ: sai 1,7% số từ, tên riêng gần như còn nguyên.
• Tiếng Anh tốt ngang Whisper mà giá niêm yết thấp hơn.
• Có trang thử miễn phí, xuất được file phụ đề SRT, tiện làm phụ đề một lần.

Điểm chưa được

• Không có API miễn phí, kể cả để thử ít.
• Tên ngắn hoặc lạ vẫn sai ("Haiku" thành "cu").
• Tên biến trong code mất dấu gạch dưới.
• Dunggi không tìm thấy chỗ chọn ngôn ngữ trong trang thử, nên OpenAI được khai ngôn ngữ còn Voxtral thì không. Voxtral vẫn thắng, nhưng hai bên không hoàn toàn cân bằng.
• Chưa biết Voxtral chạy thế nào với bản ghi thật có tạp âm, nhiều người nói. Lần này chỉ thử giọng máy đọc.

Rút ra

Nếu cần chép lời tiếng Việt, nhất là nội dung công nghệ có nhiều tên tiếng Anh, Voxtral Mini Transcribe 3 đáng thử đầu tiên: trong lần thử này nó sai chỉ khoảng một phần tư so với Whisper và giữ đúng gần hết tên sản phẩm. Với tiếng Anh sạch, ba model sát nhau, nên chọn theo giá. Trước khi đổi hẳn, hãy đưa vài bản ghi thật của bạn (có tạp âm) vào trang thử miễn phí để tự kiểm.

Câu hỏi thường gặp

Voxtral 3 có chép lời tiếng Việt không?

Có. Trong lần thử của Dunggi, Voxtral Mini Transcribe 3 chép đoạn đọc tiếng Việt 3 phút 40 giây với tỉ lệ sai 1,7% số từ (đã bỏ phần số), đúng 37/39 tên và thuật ngữ trong danh sách kiểm.

Voxtral có tốt hơn Whisper không?

Ở tiếng Việt thì có, rõ rệt: 1,7% so với 6,8% của whisper-1 và 6,6% của gpt-4o-transcribe. Ở tiếng Anh thì ba model ngang nhau (1,6% đến 2,1%).

Dùng Voxtral có mất tiền không?

Trang thử Speech to Text trong Mistral Studio dùng được với tài khoản Free. Gọi API thì phải mua credit hoặc lên gói trả phí. Giá niêm yết của Voxtral Mini Transcribe 3 là 0,0035 USD mỗi phút âm thanh.

Voxtral có xuất phụ đề SRT không?

Có. Trang thử cho tải kết quả dạng TXT, SRT, SRT không mốc thời gian, hoặc JSON.