Mistral 发布 Voxtral 3 语音模型家族与语音 Agent SDK：转写支持 50+ 语言、TTS 每百万字符 13 美元，可欧盟托管或自部署

核心背景与行业痛点

语音 Agent 要同时做好四件事：在多语言、口音、多人插话下听准；理解上下文意图；带情绪地自然说话；还要跨系统多步执行任务。过去这几块通常由不同厂商的 ASR、LLM、TTS 拼起来，延迟叠加、打断处理生硬，数据还要出境。Mistral 这次把模型和编排一起给出，并强调可在欧盟托管或私有化部署，主打主权合规场景，比如呼叫中心、服务台和免手操作的副驾驶。

架构亮点与底层机制

Voxtral 3 由几类独立模型组成：Small Transcribe 3（精度最高的转写）、Mini Transcribe 3（4B 参数、低成本）、Mini Transcribe Realtime 3（低于 500 毫秒的实时转写）和 Mini TTS 3（即 Voxtral Speech 3）。转写模型支持说话人分离、上下文偏置（给关键词提高专有名词召回）和结合声学与语义的“说完了”检测。TTS 能从上下文隐式推断情绪、语速和重音，也可用 [emotion=sad][pace=slow] 这类标签逐句控制。语音 Agent SDK 基于 LiveKit，各环节流式衔接、互不等待，官方称每轮不到 1 秒，用户插话时 Agent 会停下。

权威 Benchmark 与实测跑分对比

以下均为官方/厂商口径，第三方尚未复现。FLEURS 45 语言宏平均 WER：Small 4.1%/4.0%，与 Microsoft AI Transcribe 2 持平；Mini 4.6%/4.5%；Gemini 3.5 Transcribe 6.1%/4.5%；Whisper large-v3 16.0%/14.9%。说话人分离 cpWER：Small 18.4%，上一代 Mini Transcribe 2 为 30.9%。Earnings-22 关键词召回：Small 加上下文后为 94.6%，Scribe v2 为 94.3%。实时转写方面，480ms 档 WER 为 6.4%，不如 Gemini 3.5 Realtime Transcribe 的 4.2%。TTS 对比图是“每美元质量”，由 gemini-3.8-flash 打分，多为内部评测，具体分值官方未逐项公布。

开发者实战落地与开箱指南

在 Mistral Studio 的 playground 可以直接试语音 Agent、转写、合成和音色克隆；API 有欧盟、美国、全球三个端点，转写走 /v1/audio/transcriptions。价格方面，Mini Transcribe 3 每分钟 0.0035 美元，Speech 3 每百万字符 13 美元，其余型号见官方定价页。做客服或电话 Agent 可直接用 SDK 接 SIP；需要数据不出本地的团队可联系 Mistral 私有化部署整套栈。注意 Mini Transcribe 3 文档目前标注为 Public Preview。