mistral ai于2026年10月21日重磅推出全新voxtral3语音模型家族及配套语音代理sdk。该技术栈包含三大核心组件：voxtral small transcribe3高精度转录模型、voxtral mini tts3.0智能语音合成模型，以及基于livekit深度集成的语音代理sdk。所有模块均支持api调用或私有云/本地基础设施自托管部署，专为呼叫中心、it服务台、智能虚拟助手及车载免提交互系统打造，全面赋能低延迟、高保真的实时流式语音交互体验。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在性能指标上，Voxtral Small Transcribe3覆盖超50种语言，原生集成语音分段识别、上下文关键词偏置引导与自然对话轮次终结检测能力。据FLEURS基准测试结果，其强制对齐错误率（WER）与端到端推断错误率（WER）分别为4.1%与4.0%，与Microsoft AI Transcribe2并驾齐驱，显著优于Gemini3.5Transcribe、Scribe v2、GPT Transcribe及Whisper large-v3等主流方案。
使用 Google GenAI SDK 通过 Gemini 生成或编辑图像。当用户要求在 OpenCla… 中创建、转换、渲染或保存一张或多张图像时使用。
其中，参数量达40亿的Voxtral Mini Transcribe3提供两种计费模式：批量处理单价为每分钟0.0035美元，实时流式转录则为每分钟0.008美元，端到端延迟稳定控制在500毫秒以内。与此同时，Voxtral Mini TTS3.0支持35+语言与50+方言的高质量语音生成，定价为每百万字符13美元；功能层面涵盖情感语调自适应调节、自然语言提示指令解析，并支持基于30分钟参考音频的Pro Voice跨语言声音克隆。
依托LiveKit构建的语音代理SDK，首次实现转录、大模型推理、外部工具调用与语音合成四大能力在统一实时流管道内的无缝协同。通用AI模型可在持续对话中自主完成逻辑推演与工具调度，单轮响应压缩至1秒内，且具备实时插话检测与自动静音中断能力。业内分析指出，Mistral此次发布不仅延续了其在模型精度与效率上的领先优势，更通过模块化设计、全链路可控性与强私有化支持，为企业级语音AI代理在金融、医疗、政务等高复杂度业务场景中的规模化落地提供了坚实技术底座。
