Mistral 发布 Voxtral 3：语音转写、语音合成加语音 Agent SDK，转写每分钟 0.0035 美元起
zovo2026-10-21约 2 分钟读完
Mistral 10 月 20 日发布 Voxtral 3，一次给出三样东西：语音转文字模型、文字转语音模型，以及把听、想、说串成实时流水线的语音 Agent SDK。API 已上线，也可自行部署。
01发布了什么
官方公告 把 Voxtral 3 分成三部分：转写模型、语音合成模型和语音 Agent SDK。目标场景是客服热线、服务台、虚拟助手这类需要边听边办事的实时对话。
| 模型 | 用途 | 价格 |
|---|---|---|
| Voxtral Mini Transcribe 3 | 批量转写 | $0.0035/分钟 |
| Voxtral Small Transcribe 3 | 最高精度转写，含说话人区分 | $0.0040/分钟 |
| Voxtral Mini Transcribe Realtime 3 | 实时转写，延迟低于 500 毫秒 | $0.008/分钟 |
| Voxtral Speech 3 | 语音合成（批量与实时同一接口） | $13/百万字符 |
| 语音 Agent API（用 Mistral Small 4 推理） | 整套流水线 | $0.04/分钟 |
| 语音 Agent API（用其他推理模型） | 整套流水线 | $0.08/分钟 |
02几个值得看的能力
- 转写：支持 50 种语言，能区分谁在说话（说话人分离），可以输入关键词提高专业术语的识别率，也能判断对方是否说完。
- 合成：支持 35 种以上语言、50 多种方言，能按上下文调整情绪、语速和重点；官方还提供用 30 分钟音频做的“Pro Voice”声音适配。
- Agent SDK：基于 LiveKit，把实时转写、推理模型、工具调用和语音合成接成一条流水线，可通过 SIP 电话或 WebRTC 接入；官方称每轮响应不到 1 秒，用户插话时 Agent 会停止说话。
- 三个环节是独立模型，可以单独更换推理模型、声音或语言。
03成绩怎么看
公告称 Small 版在多语言转写和说话人分离上达到当前最好水平，优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。例如在 45 种语言的 FLEURS 测试中，Voxtral Small Transcribe 3 的宏平均词错误率约为 4.0%–4.1%（图中两种语言设定下数值），Whisper large-v3 约为 14.9%–16.0%。这些都是 Mistral 自己公布的结果，合成部分的评分还用了 Gemini 做评委，本站未复测。
04部署与数据
模型通过 Mistral API 提供，有欧洲、美国和全球端点；也可以在自己的基础设施或私有云上运行完整方案，后者需联系 Mistral 团队。官方强调可以控制音频在哪里处理、是否保留。自部署的授权和权重获取方式公告没有细说，需向官方确认。
资料来源（2026-10-21 核对）
本文由 zovo 编辑撰写，转载请注明出处。
Claude Code
Hy-Memory
Octop