法国AI公司Mistral发布Voxtral 3：集成实时语音智能体SDK，支持50+语言与多步工具调用
Mistral推出Voxtral 3，通过新SDK实现听、想、做、说一体化，旨在解决实时语音智能体难以处理复杂多步工作流的痛点。
重要性实质性证据E2 未复现写法快讯
法国人工智能公司Mistral AI于2026年10月20日发布了Voxtral 3，这是一套包含最新语音转文本（STT）和文本转语音（TTS）模型以及全新语音智能体软件开发工具包（SDK）的产品家族。该发布旨在解决当前构建端到端语音智能体的主要挑战：即让系统能够同时准确倾听、深入推理、自然表达并跨系统执行多步操作。
Voxtral 3的核心在于其语音智能体SDK，它将监听、思考、工具调用和说话整合到一个实时流式管道中。这意味着基于该SDK开发的智能体不仅能进行对话，还能在通话过程中检索信息、与企业内部系统交互并完成具体任务。例如，在演示场景中，智能体能识别法语转介信内容，自动查询预约时段并完成预订，随后用英语向用户确认细节。
在模型性能方面，Mistral声称Voxtral Small Transcribe 3在多语言转录、说话人分离（diarization）和上下文偏置（context-biasing）上达到了行业领先水平（state-of-the-art），支持超过50种语言，包括24种欧盟官方语言及多种低资源亚洲和印度语系语言。厂商自测数据显示，其在FLEURS基准测试中的词错误率（WER）优于Whisper、Scribe v2和Gemini 3.5 Transcribe。此外，Voxtral Mini TTS 3引入了能根据对话语境调整情绪、语速和重音的新声音，支持35种以上语言和50多种方言。
针对专业需求，Voxtral 3推出了Pro Voice适配功能，仅需30分钟音频即可重现说话者的独特音色、情感范围和说话风格。所有模型均设计用于主权部署，可通过Mistral托管的欧盟API使用，或允许组织在自有基础设施上进行自我部署，以控制敏感对话数据的处理和保留策略。
需要注意的是，上述关于性能领先和超越竞品的结论均为Mistral官方发布的自测结果，尚未获得第三方独立复现验证。