法国AI公司Mistral发布Voxtral 3：集成转录、TTS与语音智能体SDK
Mistral推出Voxtral 3语音模型家族及SDK，支持50+语言转录与情感自适应TTS，Small模型在独立基准测试中位列第三。
重要性实质性证据E3 可检验写法标准
法国人工智能公司Mistral AI于2026年10月20日正式发布Voxtral 3，这是一个包含三个语音转文本（ASR）模型、一个文本转语音（TTS）模型以及一个基于LiveKit构建的语音智能体SDK的产品家族。该发布旨在解决端到端语音智能体在实时性、多语言支持和复杂工作流处理上的挑战。
Voxtral Small Transcribe 3是旗舰批量转录模型，支持50种语言（包括24种欧盟官方语言），具备说话人分离（diarization）和上下文偏置（context biasing）功能。根据独立评测机构Artificial Analysis的数据，其加权平均词错误率（AA-WER）为2.1%，在该平台排名第三，仅次于Fun-Realtime-ASR-preview和微软的MAI-Transcribe-2。Mistral自报数据显示，其在FLEURS 45基准测试中的强制语言模式词错误率为4.1%，优于Whisper large-v3（16.0%）。
除了转录，Voxtral Mini TTS 3引入了能够根据对话上下文调整情绪、语速和重音的自然语音合成技术，支持35种以上语言和50多种方言。配套的Voice Agent SDK将实时转录、大语言模型推理（如Mistral Small 4）和语音生成整合为一个单一的流式管道，每个回合的处理时间控制在1秒以内，并支持通过SIP协议接入电话系统或通过WebRTC接入浏览器和应用。
所有模型目前处于公开预览阶段，可通过Mistral API访问。定价方面，Voxtral Mini Transcribe 3批量转录价格为每分钟0.0035美元，Small版本为每分钟0.004美元，实时转录为每分钟0.008美元，TTS服务每百万字符收费13美元。值得注意的是，虽然批量转录表现强劲，但Voxtral Mini Transcribe Realtime 3在低延迟（240毫秒）下的词错误率为7.4%，高于Gemini 3.5 Realtime的4.2%，显示其在极致低延迟场景下仍面临准确性权衡。