Mistral, французька компанія, що стоїть за Le Chat, випустила 20 жовтня Voxtral 3 — набір моделей для розпізнавання та синтезу мовлення, а також SDK для створення голосових агентів, які слухають, міркують, говорять і діють.

Моделі та ціни

Voxtral Small Transcribe 3: найточніша модель розпізнавання мовлення, $0,004 за хвилину.
Voxtral Mini Transcribe 3: пакетне розпізнавання, 4 мільярди параметрів, $0,0035 за хвилину.
Voxtral Mini Transcribe Realtime 3: потокове розпізнавання для агентів, $0,008 за хвилину, із затримкою менше 500 мс.
Voxtral Mini TTS 3: синтез мовлення в пакетному та потоковому режимах, $13 за мільйон символів.
SDK для голосових агентів: побудований на LiveKit, $0,04 за хвилину, якщо міркування виконує Mistral Small 4, або $0,08 з більшою моделлю. За словами Mistral, кожен хід агента завершується менш ніж за секунду.

Мови та голоси

Моделі Transcribe 3 охоплюють понад 50 мов, включно з усіма 24 офіційними мовами ЄС. Мовленнєва модель підтримує 35+ мов та 50+ діалектів, сприймає інструкції щодо емоцій, темпу та акценту, а також пропонує готові голоси 18 мовами. Вона також підтримує клонування голосу, а опція Pro Voice адаптує голос на основі 30 хвилин аудіозапису мовця.

Власні бенчмарки Mistral показують перевагу Voxtral Small Transcribe 3 у розпізнаванні мовлення з атрибуцією мовця: рівень помилок 18,4% проти 23,0% у ElevenLabs Scribe v2 та 38,4% у Gemini 3.5 Transcribe. Mistral також стверджує, що Voxtral Small перевершує Whisper у багатомовному тесті FLEURS, а їхня мовленнєва модель дешевша у використанні, ніж OpenAI TTS-1, Deepgram, ElevenLabs Flash та Gemini Flash. Це дані виробника, а не результати незалежного тестування.

Де це працює

Voxtral 3 вже доступна через API Mistral, розміщений у ЄС, з кінцевими точками для США та всього світу, а також у середовищах Mistral Studio для тестування розпізнавання мовлення, синтезу, клонування голосу та агентів. Компанії також можуть розгортати її на власній інфраструктурі; налаштування on-premises та в приватній хмарі проходять через відділ продажів Mistral.

Кому це важливо

Випуск орієнтований на розробників, які створюють ботів для кол-центрів, транскрибування нарад і голосових асистентів, особливо тих, кому потрібно, щоб аудіо залишалося в межах ЄС або на власних серверах.

Що це означає, якщо вам потрібен ШІ для роботи з мовленням

Якщо ви транскрибуєте наради чи дзвінки кількома мовами, Voxtral Mini за $0,0035 за хвилину варто протестувати проти відкритої моделі Whisper, яку ви, можливо, вже використовуєте.

Якщо вам потрібні природні голоси для контенту, ElevenLabs залишається готовою студією; Voxtral — це API для розробників, тож порівняйте його на власних сценаріях, перш ніж переходити.