Voxtral 3: голосовой SDK, где агент слушает, думает и дергает тулы

Mistral выпустила Voxtral 3 — семейство моделей и пакет для голосовых агентов, где распознавание, рассуждение, вызовы инструментов и синтез идут одним потоком. Сценарии те же, что у текстовых агентов в IDE: контакт-центр, сервис-деск или копилот без рук, только вход с микрофона.

Доступ через европейское API Mistral или развёртывание на своей инфраструктуре — с контролем того, где обрабатывается аудио и остаются ли записи разговоров.

Пакет голосового агента

Voice agent SDK сводит прослушивание, рассуждение, вызовы инструментов и озвучку в один потоковый конвейер. Агент может подтягивать данные и ходить в бизнес-системы прямо во время звонка или веб-сессии, а не отдавать пользователю «перезвоните позже».

Распознавание

• Voxtral Small Transcribe 3 — транскрипция на 50+ языках, диаризация, подсказки ключевыми терминами и определение конца реплики, чтобы отвечать без лишней паузы и не обрывать на полуслове.
• Voxtral Mini Transcribe 3 — 4B параметров и $0.0035 за минуту; на FLEURS сравнивают с Whisper, Scribe v2 и Gemini 3.5 Transcribe.
• Voxtral Realtime Transcribe 3 — задержка меньше 500 мс в 35+ языках; у Small recall ключевых фраз до 94.6% с контекстом против 81.4% без доменных подсказок.

Синтез и адаптация голоса

Voxtral Mini TTS 3 — пакетный и потоковый режим, 35+ языков и 50+ диалектов, $13 за 1M символов. Эмоция, темп и ударения подстраиваются под смысл фразы; клонирование — от 30+ минут записи, Pro Voice adaptation переносит характер и стиль на другие языки с тем же объёмом аудио.

Источник: Voxtral 3.