聽、想、說、做一次到位
Mistral 推出 Voxtral 3，包含一組新的語音轉文字（STT）與文字轉語音（TTS）模型，以及一套語音 agent SDK，把「聽、推理、呼叫工具、說話」串成同一條即時串流管線。官方鎖定的場景是客服中心、服務台、虛擬助理與免手持 copilot。
官方列出這次的重點：
- 轉錄：Voxtral Small Transcribe 3 支援 50 多種語言，可分辨誰在說話（diarization）、用關鍵詞提升準確度（context biasing），並偵測對方是否講完（end-of-turn detection）。
- 語音合成：Voxtral Mini TTS 3 會依對話脈絡調整情緒、語速與重音，支援 35 種以上語言與 50 種以上方言。
- Pro Voice：用約 30 分鐘音訊重現說話者的特色、情緒範圍與風格，並可跨語言使用。
- 部署：可用 Mistral 的 EU 託管 API，或部署在自己的基礎設施，自行決定音訊是否保留。
轉錄：50 多種語言與 4B Mini
官方說 Voxtral Transcribe 3 支援的語言擴充到 50 多種，包含 24 種歐盟官方語言，以及多種資源較少的亞洲與印度語言。
- Small：官方表示在多語轉錄與 diarization 達到最佳水準，勝過 Whisper、Scribe v2 與 Gemini 3.5 Transcribe（官方自報）。
- Mini：參數量 4B，每分鐘 0.0035 美元。
- Realtime Transcribe 3：為 agent 打造的即時轉錄，延遲低於 500 毫秒，支援 35 種以上語言，也有 diarization 與 context biasing。
兩款都能用 context biasing 放入專有名詞，不用微調就能提升技術詞彙的辨識。下圖是官方 FLEURS 45 種語言的字錯率比較（越低越好），屬於官方自行測試。
語音合成會看語氣說話
Voxtral Mini TTS 3 有批次與即時兩種模式。官方主打表現力與指令遵循，可用 emotion、pacing、emphasis 等變數控制語氣，另有音素提示，讓罕見名字或自創詞念對。
價格是每 100 萬字元 13 美元；官方說成本低於 OpenAI TTS-1、Deepgram、ElevenLabs Flash 與 Gemini Flash 等同類模型。品質對價格的圖表為官方內部評測，評審模型是 gemini-3.8-flash，請當成廠商自報資料看待。
預設語音目前有 18 種語言，包括中文（普通話）、韓語、越南語與印地語等。
語音 agent SDK 建在 LiveKit
新的語音 agent SDK 建在 LiveKit 上：Voxtral Mini Transcribe Realtime 3 負責聽並判斷對方講完，通用模型（例如 Mistral Small）負責推理與呼叫工具，Voxtral Speech 3 再用符合對話氣氛的語氣回覆。官方說各階段不必互相等待，每一輪回應可在 1 秒內完成，對方插話時 agent 會停下來。
通話中 agent 可以核對身分、查帳單、預約，支援 function calling、網路搜尋與檢索自家系統；電話走 SIP，瀏覽器與 App 走 WebRTC。每個階段是獨立模型，所以可以單獨換掉 LLM、聲音或語言。
價格與上手方式
Voxtral 3 已經可以透過 Mistral API 使用，有歐洲、美國與全球端點。官方價格如下：
| 模型／服務 | 官方價格 |
|---|---|
| Voxtral Mini Transcribe 3（批次） | 每分鐘 0.0035 美元 |
| Voxtral Mini Transcribe Realtime 3 | 每分鐘 0.008 美元 |
| Voxtral Small Transcribe 3 | 每分鐘 0.0040 美元 |
| Voxtral Speech 3（批次與即時） | 每 100 萬字元 13 美元 |
| 語音 agent API＋Mistral Small 4 推理 | 每分鐘 0.04 美元 |
| 語音 agent API＋其他推理模型 | 每分鐘 0.08 美元 |
要在自家機房或私有雲跑整套，官方請企業直接聯絡團隊。公告沒有說明模型權重是否公開，也沒有寫授權條款，本文不推論。
本文建議：做客服或預約電話的團隊，可以先用 API 試轉錄加 context biasing，把產品名、人名放進關鍵詞清單，再比較自己的錄音字錯率；官方圖表只能當參考。
