Mistral推Voxtral 3 语音智能体套件

据科技媒体The Decoder报道，法国AI公司Mistral于10月20日发布Voxtral 3，一套面向实时语音智能体的完整模型套件。与市面上"转写、大模型、合成"三段式拼接的方案不同，Voxtral 3把听、想、调用工具、说整合进同一条流式流水线，官方称每轮对话可在一秒内完成。

套件由三部分组成：语音转文字模型Voxtral Small Transcribe 3，支持50多种语言转写；文字转语音模型Voxtral Mini TTS 3，覆盖35种以上语言和50多种方言，还能根据语境自动调整语气情绪；再加上一个基于实时音视频框架LiveKit构建的语音智能体开发套件，负责把几个环节串成一路，通话中即可调用外部系统，比如当场预约挂号或查询账单。

定价方面打出了性价比牌：批量转写每分钟0.0035美元起步，高精度档0.0040美元，实时转写0.008美元；语音合成按每百万字符13美元计费；完整的语音智能体接口配合Mistral Small 4做推理时为每分钟0.04美元。Mistral称其合成价格低于OpenAI、Deepgram、ElevenLabs等同类产品。

另一个卖点是数据主权：整套系统既可以部署在客户自己的基础设施上，也可以走Mistral在欧盟托管的接口，音频数据留在哪、是否保留都由客户决定——这是Mistral一贯对垒美国云厂商的差异化打法。面向品牌定制场景，还提供需30分钟样本音频的Pro Voice高保真音色复刻。

从电话客服、服务台到虚拟助手，语音正在成为AI落地最快的入口之一。此前ElevenLabs、OpenAI相继升级实时语音能力，Mistral此番把全家桶一次配齐，瞄准的正是欧美呼叫中心的替换市场。不过官方基准毕竟自卖自夸，实际延迟与准确率还有待独立测试验证。

编译自 The Decoder，原标题："Mistral AI launches Voxtral 3, a full voice agent stack that listens, thinks, and talks in real time"