Mistral, das französische Unternehmen hinter Le Chat, veröffentlichte am 20. Oktober Voxtral 3: eine Reihe von Speech-to-Text- und Text-to-Speech-Modellen sowie ein SDK zum Bau von Sprachagenten, die zuhören, denken, sprechen und handeln.

Die Modelle und Preise

Voxtral Small Transcribe 3: das genaueste Transkriptionsmodell, 0,004 $ pro Minute.
Voxtral Mini Transcribe 3: Batch-Transkription, 4 Milliarden Parameter, 0,0035 $ pro Minute.
Voxtral Mini Transcribe Realtime 3: Streaming-Transkription für Agenten, 0,008 $ pro Minute, mit einer Latenz unter 500 ms.
Voxtral Mini TTS 3: Text-zu-Sprache im Batch- und Echtzeitbetrieb, 13 $ pro Million Zeichen.
Voice-Agent-SDK: aufgebaut auf LiveKit, 0,04 $ pro Minute, wenn Mistral Small 4 das Reasoning übernimmt, oder 0,08 $ mit einem größeren Modell. Laut Mistral schließt jede Agenten-Runde in unter einer Sekunde ab.

Sprachen und Stimmen

Die Transcribe-3-Modelle decken mehr als 50 Sprachen ab, darunter alle 24 offiziellen EU-Sprachen. Das Sprachmodell deckt über 35 Sprachen und mehr als 50 Dialekte ab, nimmt Anweisungen zu Emotion, Tempo und Betonung entgegen und bietet Stimm-Presets in 18 Sprachen. Es unterstützt zudem Stimmenklonung, und eine Pro-Voice-Option passt eine Stimme anhand von 30 Minuten Audiomaterial eines Sprechers an.

Mistrals eigene Benchmarks sehen Voxtral Small Transcribe 3 bei sprecherzugeordneter Transkription vorn: eine Fehlerrate von 18,4 %, gegenüber 23,0 % bei ElevenLabs Scribe v2 und 38,4 % bei Gemini 3.5 Transcribe. Mistral gibt zudem an, dass Voxtral Small im mehrsprachigen FLEURS-Test besser abschneidet als Whisper und dass der Betrieb des Sprachmodells günstiger ist als bei OpenAI TTS-1, Deepgram, ElevenLabs Flash und Gemini Flash. Dabei handelt es sich um Herstellerangaben, nicht um unabhängige Tests.

Wo es läuft

Voxtral 3 ist ab sofort über Mistrals API verfügbar, gehostet in der EU mit US- und globalen Endpunkten, sowie in den Mistral-Studio-Umgebungen zum Testen von Transkription, Sprachsynthese, Stimmenklonung und Agenten. Unternehmen können es auch auf eigener Infrastruktur betreiben; On-Premises- und Private-Cloud-Einrichtungen laufen über Mistrals Vertriebsteam.

Für wen das relevant ist

Die Veröffentlichung richtet sich an Entwickler, die Call-Center-Bots, Meeting-Transkription und Sprachassistenten bauen – besonders an jene, die Audiodaten in der EU oder auf eigenen Servern halten müssen.

Was das bedeutet, wenn Sie Sprach-KI brauchen

Wenn Sie Meetings oder Anrufe in mehreren Sprachen transkribieren, lohnt sich ein Test von Voxtral Mini für 0,0035 $ pro Minute im Vergleich zum offenen Whisper-Modell, das Sie vielleicht bereits einsetzen.

Wenn Sie natürliche Stimmen für Content brauchen, bleibt ElevenLabs das fertige Studio; Voxtral ist eine API für Entwickler, vergleichen Sie es also anhand eigener Skripte, bevor Sie wechseln.