Mistral 发布 Voxtral 3 语音模型与语音智能体 SDK：转写扩到 50 种语言、4B 小模型每分钟 0.0035 美元，30 分钟录音可复刻专业声音

Mistral AI 10 月 20 日发布 Voxtral 3 系列：语音转写模型 Voxtral Small Transcribe 3 支持 50 种语言（含 24 种欧盟官方语言），带说话人分离、关键词偏置和话轮结束检测，Mistral 称其在 FLEURS 多语言测试中优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；Mini 版 40 亿参数，每分钟 0.0035 美元；实时转写模型延迟低于 500 毫秒、支持 35 种以上语言。语音合成模型 Voxtral Mini TTS 3.0 覆盖 35 种以上语言、50 多种方言，每百万字符 13 美元；Pro Voice 用约 30 分钟录音即可跨语言复刻说话人的音色与风格。同时发布的语音智能体 SDK 把听、推理、调用工具和说话串成一条实时流式管线。可通过 Mistral 的欧盟托管 API 使用，或部署在自有基础设施上。性能数字均为 Mistral 自测。

一次发了三件东西

Mistral AI 10 月 20 日发布 Voxtral 3，包括语音转写模型、语音合成模型和一个语音智能体 SDK。Mistral 的判断是，可用的语音智能体要同时做好四件事：在多语言、口音、多人插话下听准，理解用户在具体语境里的意思，带情绪地自然说话，以及跨多个系统完成多步操作。新 SDK 把听、推理、调用工具和说话串成一条实时流式管线，面向客服中心、服务台、虚拟助手和免手动操作的副驾驶场景。

转写与合成的规格

  • 转写：Voxtral Small Transcribe 3 支持 50 种语言，包括 24 种欧盟官方语言和多种低资源亚洲与印度语言，带说话人分离、关键词偏置（给出术语表即可提升专有名词识别，无需微调）和话轮结束检测。Mistral 称其在 FLEURS 45 种语言的平均词错率上优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。Mini 版 40 亿参数，每分钟 0.0035 美元。实时转写模型 Voxtral Realtime Transcribe 3 延迟低于 500 毫秒，支持 35 种以上语言。
  • 合成：Voxtral Mini TTS 3.0 覆盖 35 种以上语言、50 多种方言，能根据上下文调整情绪、语速和重音，每百万字符 13 美元，Mistral 称低于 OpenAI TTS-1、Deepgram、ElevenLabs Flash 和 Gemini Flash 的同类价格。Pro Voice 用约 30 分钟录音即可跨语言复刻说话人的音色、情绪范围和说话风格。

部署方式与需要核实的部分

Voxtral 3 可通过 Mistral 的欧盟托管 API 使用，也可以部署在企业自己的基础设施上，由企业决定音频在哪里处理、是否留存。这是 Mistral 一贯强调的「主权部署」卖点，对受数据驻留要求约束的欧洲客服与医疗场景有现实意义。

需要注意的是，文中所有对比成绩都来自 Mistral 自己的测试，部分合成评测使用 gemini-3.8-flash 作为评委，第三方复现还要再等。声音复刻能力越强，冒用他人声音的风险也越高；企业接入 Pro Voice 前，至少要确认被复刻者的授权和留存策略。

via: Mistral AI：Voxtral 3