Mistral 发布 Voxtral 3：50 种语言转写、35 种以上语言的情绪化语音合成，外加基于 LiveKit 的语音智能体 SDK；仅提供 API 与私有部署

这件事意味着什么

【要点】

Mistral 于北京时间 10 月 21 日 0 点发布 Voxtral 3：一组新的语音转文字和文字转语音模型，加上一套语音智能体 SDK，当天通过 Mistral API（欧洲、美国和全球端点）开放。

一、转写：Voxtral Small Transcribe 3 支持 50 种语言（含欧盟 24 种官方语言和多种低资源亚洲、印度语言），支持说话人分离、关键词上下文偏置和说话结束检测。Mistral 称它在多语言转写和说话人分离上超过 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。Mini 版为 4B 参数，批量转写每分钟 0.0035 美元；Small 版每分钟 0.004 美元。

二、实时转写：Voxtral Mini Transcribe Realtime 3 延迟低于 500 毫秒，支持 35 种以上语言，每分钟 0.008 美元。

三、语音合成：Voxtral Mini TTS 3（API 名 Voxtral Speech 3）支持 35 种以上语言、50 多种方言，能根据上下文自动调整情绪、语速和重音，也可用 [emotion=sad] 这类标签逐句指定；每百万字符 13 美元。Pro Voice 用约 30 分钟录音复刻一个人的声音。

四、语音智能体 SDK：基于 LiveKit，把「听、想（由 Mistral Small 等通用模型推理并调用工具）、说」串成一条流式管线，Mistral 称每轮对话在 1 秒内完成，用户插话时智能体会停下；支持 SIP 电话和 WebRTC。

五、部署：可走 Mistral 的欧盟托管 API，也可部署在自有基础设施上。公告没有提到开放权重，Hugging Face 上目前也没有 Voxtral 3 权重。

【可核验】

公告：https://mistral.ai/news/voxtral-3

官方发布帖：https://x.com/MistralAI/status/2112574615318876178

【我们的判断】

一、这次的重点不只是更准的转写，而是 Mistral 把转写、推理、合成打包成可直接搭电话客服的整套方案，正面对上 OpenAI、ElevenLabs、Deepgram 的语音智能体产品。

二、各项「最先进」和价格对比都是 Mistral 自己的评测，其中不少用另一家模型当评委，还需要第三方结果确认。

三、和之前开源的 Voxtral 不同，这一代目前只看到 API 和私有部署两种形式。