Mistral AI stellte Voxtral 3 am 20. Oktober 2026 im offiziellen Blog vor: eine Familie von Sprachmodellen plus ein Voice-Agent-SDK, das Transkription, Schlussfolgern, Werkzeugaufrufe und Sprachsynthese in einer einzigen Echtzeit-Streaming-Pipeline vereint. Die Transkription deckt über 50 Sprachen ab, die Synthese über 35 Sprachen und 50 Dialekte, und der gesamte Stapel ist ab sofort über Mistrals in der EU gehostete API oder zur Installation auf eigener Infrastruktur verfügbar.
Vier Bausteine statt eines Modells
Die Transkription gibt es in drei Stufen: Voxtral Mini Transcribe 3 für 0,0035 Dollar pro Minute, die Small-Version für 0,004 Dollar und eine Echtzeitvariante mit unter 500 Millisekunden Latenz für 0,008 Dollar pro Minute. Im veröffentlichten FLEURS-Test über 45 Sprachen erreicht das Small-Modell eine Wortfehlerrate von 4,1 Prozent bei vorgegebener Sprache und 4,0 Prozent bei automatischer Erkennung; nach Unternehmensangaben liegt es damit vor Whisper large-v3, Scribe v2 und Gemini 3.5 Transcribe. Das sind Herstellerwerte, eine unabhängige Nachmessung steht aus. Auf der Ausgabeseite kostet Voxtral Speech 3 13 Dollar pro Million Zeichen, passt Emotion, Tempo und Betonung an den Kontext an und bietet mit Pro Voice die Möglichkeit, Stimmcharakter und Ausdrucksstil einer Person aus 30 Minuten Audio zu reproduzieren. Das auf LiveKit gebaute Agent-SDK verbindet die Teile: Während eines Anrufs kann der Agent eine Rechnung prüfen, einen Termin buchen oder eine Identität verifizieren, jeder Zug dauert unter einer Sekunde, und er verstummt, sobald der Anrufer ins Wort fällt.
Kollision am selben Tag mit Eleven Realtime
Das Timing ist pointiert. Wenige Stunden zuvor hatte ElevenLabs sein Eleven Realtime für Live-Gespräche vorgestellt, über dessen Latenz und Reasoning-Werte wir in unserem Bericht zur Eleven-Realtime-Veröffentlichung geschrieben haben. Die Produkte haben unterschiedliche Form: ElevenLabs verkauft Sprache-zu-Sprache-Modelle, Mistral einen zusammensetzbaren Stapel, bei dem Transkription, Reasoning-Modell und Synthese einzeln austauschbar sind und der als Ganzes ins eigene Rechenzentrum des Kunden ziehen kann. Für europäische Käufer kann dieser zweite Punkt mehr wiegen als Benchmarks: Supportanrufe enthalten massenhaft personenbezogene Daten, und EU-Hosting oder Eigenbetrieb verkürzt das Compliance-Gespräch erheblich.
Welche Rechnung man zuerst prüft
Drei konkrete Prüfpunkte für Teams, die einen Sprachstapel auswählen. Erstens die Sprachverteilung: Konzentrieren sich Ihre Nutzer auf ressourcenarme Sprachen und Dialekte, ist Voxtrals Breite der Unterschied, aber messen Sie die Fehlerrate an Ihren eigenen Anrufaufzeichnungen statt nur FLEURS zu vertrauen. Zweitens die Einsatzgrenze: Ob Anrufaudio Ihre Räume verlassen darf, entscheidet zwischen API und Eigenbetrieb, und ein Fehler hier macht alles Folgende zu Compliance-Kosten. Drittens die Preisstruktur: Transkription unter einem halben Cent pro Minute und eine Voice-Agent-API für 0,04 bis 0,08 Dollar pro Minute liegen bei Volumen in einer anderen Liga als Sitzplatzpreise klassischer Contact Center, doch die Kosten des Reasoning-Modells müssen mitgerechnet werden. Der Wettbewerb der Sprachagenten hat sich von der Frage, ob sie menschlich klingen, zu der Frage verschoben, ob sie den Auftrag innerhalb der Datengrenze des Kunden erledigen, und Voxtral 3 ist eine Wette auf die zweite Frage.
