原始发布日期:2026-10-20。Mistral公布Voxtral 3及Voice Agents SDK,把语音转写、语音合成、轮次判断和通用模型推理组织成一套实时Agent流水线。其目标并非只发布一个语音识别模型,而是让开发者把电话、网页语音和企业知识检索接入具有工具调用能力的对话系统。

在语音转写侧,官方称系统支持50多种语言,并提供实时与批处理接口、说话人区分、时间戳、上下文偏置和专名提示。轮次结束检测用于判断用户是否真正说完,而不是仅靠固定静音时长切断输入。官方还给出不同尺寸的转写模型,以便在成本、延迟和准确率之间选择。

语音合成覆盖35种以上语言和50多种口音或方言。Pro Voice功能允许用户提交约30分钟音频创建定制声音,但这类能力同时带来授权、冒用和审计要求;官方页面重点说明产品能力,并不能代替部署方对声音授权、内容标记和滥用响应的合规设计。

Voice Agents SDK以LiveKit承载实时音视频管线,可通过WebRTC或SIP连接浏览器和电话系统。开发者可以在中间接入Mistral通用模型,并调用网页搜索、RAG或自定义工具。服务提供全球、美国与欧盟API端点,也给出自部署选择;这些交付方式会影响数据驻留、延迟、监控和运维责任。

Mistral宣称端到端响应可低于一秒,但该数字取决于网络、模型、音频分块、推理工具和部署区域,尚不应视为独立验证。公开价格包括不同转写模型的每分钟计费、按字符计费的语音合成,以及与推理模型绑定的Agent每分钟费用;实际成本还会受通话长度、工具调用和并发策略影响。

量仔观察

Voxtral 3的竞争点是把多个语音组件变成可交付的Agent栈,而不是单项榜单成绩。本站判断,团队做选型时应分别测量转写错误率、轮次误切、合成自然度、工具调用延迟和电话链路稳定性,并在同一真实业务语料上核算成本。多地区端点和自部署提供了数据治理选项,但定制声音的授权、撤销与滥用检测仍需由使用方明确落地。