Mistral发布Voxtral 3 实时语音智能体全栈

时间：2026年10月20日（法国巴黎，Mistral AI 官方发布；消息经北京时间10月21日凌晨核验） 地点：法国巴黎；提供 Mistral 欧盟托管 API 与企业自有基础设施自部署两条路径 人物：Mistral AI 语音与智能体团队（官方公告未点名个人负责人）；语音智能体 SDK 底层基于 LiveKit 实时音视频框架 事件详情：Mistral AI 正式发布 Voxtral 3 系列，包含三部分：语音转文本模型 Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3 与 Voxtral Realtime Transcribe 3；文本转语音模型 Voxtral Mini TTS 3.0（提供批量与实时两种形态）；以及基于 LiveKit 的语音智能体 SDK，把听、想、调工具、说串成同一条实时流式管线。 转写侧，Small Transcribe 3 的支持语言扩充到 50 种，其中包含 24 种欧盟官方语言以及多种低资源亚洲与印度语言；Mini Transcribe 3 为 4B 参数，定价 0.0035 美元每分钟。官方称 Small 版本在英语、法语与西班牙语的说话人分离与多语转写上超过 Whisper、Scribe v2 与 Gemini 3.5 Transcribe。Realtime Transcribe 3 面向智能体场景，在 35 种以上语言实现亚 500 毫秒延迟，并同样支持说话人分离与上下文加偏置（用关键词和自由文本给转写加偏置，无需微调即可适配行业术语）。官方同时公布了 FLEURS 35 基准上 35 种语言的宏平均字错率对比（中日韩使用字符错误率），并原生支持端点检测，结合声学与语义信息判断用户是否说完，以在低延迟与不误打断之间取得平衡。 语音合成侧，Voxtral Mini TTS 3.0 支持 35 种以上语言与 50 种以上方言，可依据上下文自动调整情绪、语速与重音；定价 13 美元每百万字符，官方称运行成本低于 OpenAI TTS-1、Deepgram、ElevenLabs Flash 与 Gemini Flash。新增能力包括从 30 分钟以上采样音频克隆声音、自定义提示词指令跟随、上下文 TTS 与词库。面向专业场景的 Pro Voice 适配能力，仅用 30 分钟音频即可跨语言复现说话人独特的性格、情感范围与表达风格。 SDK 与部署侧，语音智能体 SDK 支持在通话或网页对话过程中实时检索信息、调用业务系统并完成多步任务，例如预订行程或查询账单。全部模型既可通过 Mistral 欧盟托管 API 调用，也可自部署到企业自有基础设施，由企业自行决定音频处理位置、数据处理方式以及是否留存录音。 背景：Mistral 的语音路线始于 2025 年 7 月推出的 Voxtral Mini 与 Small 语音理解模型，2026 年 3 月推出开放权重的 Voxtral TTS（4B 参数，可用 3 秒参考音频做零样本克隆）。此前市场上一套可用的语音智能体通常需要拼三家：一家的转写服务、一家的大模型加一家的语音引擎，集成复杂度与成本都高。Voxtral 3 面对的竞品包括 OpenAI 的语音模型、ElevenLabs、Deepgram 以及 Google Gemini 的语音能力。 影响：对呼叫中心、服务台、虚拟助手与免手 copilot 这类场景，Voxtral 3 把原本需要自行拼装的语音栈收敛成一个可交付的全栈方案，中间环节大幅减少。0.0035 美元每分钟的转写价与 13 美元每百万字符的合成价，把语音智能体的单位成本压到较低区间；The Decoder 报道称转写起价同为 0.0035 美元每分钟，Crypto Briefing 则称 API 约 0.001 美元每分钟，两种口径存在不一致，实际以官方定价页为准。欧盟托管 API 加自部署的组合，为金融、医疗、呼叫中心等对音频留存与合规敏感的机构提供了数据主权路径；上下文加偏置功能不依赖微调即可接入企业术语库，缩短落地周期。 需要同时提示的边界：官方给出的转写与合成领先结论均为 Mistral 自测，目前尚无独立第三方的同条件复现；Artificial Analysis 的文本转语音榜单上 Voxtral 3 TTS 条目的置信区间仍很宽，横向评测尚未收敛；官方公告未说明 Voxtral 3 是否提供与今年 3 月 Voxtral TTS 同等的公开开放权重下载通道，目前公开获取路径以官方 API 与企业自部署为主。 总结：Voxtral 3 的看点不在单个模型分数，而在于 Mistral 把语音智能体所需的四件事（听清、想懂、能调工具、说得自然）一次性打包成可交付的产品形态，并给出低价与主权部署两个选项，对正在自建语音客服栈的团队是一次结构性替代。真正决定其市场位置的，是第三方评测能否印证官方自测结论，以及开放权重的实际覆盖范围。 参考来源： https://mistral.ai/news/voxtral-3/ https://the-decoder.com/mistral-ai-launches-voxtral-3-a-full-voice-agent-stack-that-listens-thinks-and-talks-in-real-time/ https://cryptobriefing.com/mistral-unveils-voxtral-3-voice-agent-sdk/ https://docs.mistral.ai/studio/audio/migrate-from-voxtral-2 https://docs.mistral.ai/models/voxtral-mini-transcribe-3-0 https://artificialanalysis.ai/text-to-speech/leaderboard/provider-voice https://news.futunn.com/en/flash/1001694812/market-news-mistral-releases-the-voxtral-3-series-of-speech https://mistral.ai/news/voxtral/