Mistral AI hat Voxtral 3 vorgestellt, eine neue Familie von Sprachmodellen, die für Voice-Agenten in Echtzeit entwickelt wurde. Das System umfasst ein Speech-to-Text-Modell (Voxtral Small Transcribe 3), ein Text-to-Speech-Modell (Voxtral Mini TTS 3) und ein Voice-Agent-SDK auf Basis von LiveKit. Zusammen verbinden sie Zuhören, Denken, Tool-Nutzung und Sprechen in einer einzigen Streaming-Pipeline. Die Transcription umfasst mehr als 50 Sprachen. Die Text-to-Speech-Ausgabe unterstützt über 35 Sprachen und 50 Dialekte mit emotionaler Anpassung. Agenten können während laufender Gespräche auf externe Systeme zugreifen, um beispielsweise Termine zu buchen oder Rechnungen zu prüfen.
Laut Mistral kann das System auf Ihrer eigenen Infrastruktur oder über EU-gehostete APIs betrieben werden, damit die Daten unter Ihrer Kontrolle bleiben. Die Preise beginnen bei $0.0035 pro Minute für Transcription. Weitere Details finden Sie in der Dokumentation.
Ad Quelle: Mistral