Mistral — французская компания, которая делает Le Chat, — 20 октября выпустила Voxtral 3: набор моделей для распознавания и синтеза речи и SDK для голосовых агентов, которые слушают, рассуждают, говорят и действуют.

Модели и цены

Voxtral Small Transcribe 3: самая точная модель распознавания, $0,004 за минуту.
Voxtral Mini Transcribe 3: пакетное распознавание, 4 млрд параметров, $0,0035 за минуту.
Voxtral Mini Transcribe Realtime 3: потоковое распознавание для агентов, $0,008 за минуту, задержка меньше 500 мс.
Voxtral Mini TTS 3: синтез речи в пакетном режиме и в реальном времени, $13 за миллион символов.
SDK для голосовых агентов: построен на LiveKit, $0,04 за минуту, если рассуждает Mistral Small 4, или $0,08 с более крупной моделью. По словам Mistral, каждый ход агента занимает меньше секунды.

Языки и голоса

Модели Transcribe 3 поддерживают больше 50 языков, включая все 24 официальных языка ЕС. Модель синтеза работает с 35+ языками и 50+ диалектами, слушается указаний об эмоциях, темпе и интонационных акцентах и предлагает готовые голоса на 18 языках. Поддерживается клонирование голоса, а вариант Pro Voice настраивает голос по 30 минутам записей говорящего.

По собственным тестам Mistral, Voxtral Small Transcribe 3 лидирует в распознавании с разметкой говорящих: доля ошибок 18,4% против 23,0% у ElevenLabs Scribe v2 и 38,4% у Gemini 3.5 Transcribe. Mistral также утверждает, что Voxtral Small обходит Whisper в многоязычном тесте FLEURS, а её синтез дешевле в работе, чем OpenAI TTS-1, Deepgram, ElevenLabs Flash и Gemini Flash. Это данные самого разработчика, а не независимые тесты.

Где работает

Voxtral 3 уже доступна через API Mistral с размещением в ЕС, а также с американскими и глобальными точками доступа, и в «песочницах» Mistral Studio, где можно попробовать распознавание, синтез, клонирование голоса и агентов. Компании могут развернуть модели и на своей инфраструктуре; установка на собственных серверах и в частном облаке — через отдел продаж Mistral.

Кому это важно

Релиз рассчитан на разработчиков ботов для колл-центров, расшифровки встреч и голосовых ассистентов — особенно тех, кому нужно, чтобы аудио оставалось в ЕС или на собственных серверах.

Что это значит, если вам нужен речевой AI

Если вы расшифровываете встречи или звонки на нескольких языках, Voxtral Mini за $0,0035 в минуту стоит сравнить с открытой моделью Whisper, которую вы, возможно, уже используете.

Если вам нужны естественные голоса для контента, готовой студией остаётся ElevenLabs; Voxtral — это API для разработчиков, так что перед переходом сравните его на своих текстах.