Mistral AI hat am 21. Oktober 2026 offiziell die neue Voxtral3-Sprachmodellreihe sowie ein SDK für Sprachagenten veröffentlicht. Diese Produktmatrix umfasst das Transkriptionsmodell Voxtral Small Transcribe3, das Sprachsynthesemodell Voxtral Mini TTS3.0 sowie ein auf LiveKit basierendes SDK für Sprachagenten. Der Zugriff kann über eine API erfolgen oder als Self-Hosting-Deployment in einer privaten Cloud bzw. auf eigener Infrastruktur installiert werden, mit dem Ziel, Callcentern, Servicedesks, virtuellen Assistenten und Freisprechsystemen leistungsstarke Echtzeit-Streaming-Sprachinteraktionsfähigkeiten zu bieten.
Was die technische Leistung betrifft, unterstützt Voxtral Small Transcribe3 mehr als 50 Sprachen und verfügt über Funktionen zur Sprachsegmentierung, kontextbezogenen Voreingenommenheit und Erkennung des Sprecherwechsels. Im FLEURS-Diagramm liegen seine Zwangsfehlerquote und Inferenzfehlerquote bei 4,1 % bzw. 4,0 %, auf Augenhöhe mit Microsoft AI Transcribe2 und besser als Gemini3.5Transcribe, Scribe v2, GPT Transcribe und Whisper large-v3.
Die Stapelnutzung von Voxtral Mini Transcribe3 mit 4 Milliarden Parametern kostet 0,0035 US-Dollar pro Minute, die Echtzeitversion kostet 0,008 US-Dollar pro Minute, mit einer Latenz von unter 500 Millisekunden. Darüber hinaus bietet Voxtral Mini TTS3.0 Sprachsynthese in mehr als 35 Sprachen und über 50 Dialekten zum Preis von 13 US-Dollar pro Million Zeichen, mit tonaler Anpassung, Prompt-Anweisungen sowie berechnungsbasiertem Voice-Cloning über Sprachen hinweg mit Pro Voice auf Grundlage von 30 Minuten Audio.
Das auf LiveKit aufgebaute SDK integriert Transkription, Inferenz, Tool-Aufrufe und Spracherzeugung in dieselbe Echtzeit-Streaming-Pipeline, sodass allgemeine Modelle beim Führen von Gesprächen autonom argumentieren und Tools aufrufen können, Gesprächsrunden auf unter eine Sekunde begrenzt werden und der Agent beim Einwenden des Anrufers automatisch stoppt. Nach Ansicht von Analysten berücksichtigt Mistral mit dieser Veröffentlichung sowohl die Modellleistung als auch die Kontrolle über unternehmensgerechte Deployments und beschleunigt durch die modulare Architektur und Unterstützung für private Bereitstellungen die groß angelegte Einführung von KI-Sprachagenten in komplexen Geschäftsszenarien weiter.