Mistral AI는 2026년 10월 20일 공식 블로그에서 Voxtral 3를 발표했다. 음성 모델군과 음성 에이전트 SDK를 결합해 전사, 추론, 도구 호출, 음성 합성을 하나의 실시간 스트리밍 파이프라인에 넣은 구성이다. 전사는 50개가 넘는 언어를, 합성은 35개가 넘는 언어와 50개가 넘는 방언을 지원하며, Mistral이 EU에서 호스팅하는 API로 쓰거나 고객 자체 인프라에 배포하는 방식 중 선택할 수 있고 이날부터 제공된다.
단일 모델이 아니라 네 조각 세트
전사는 세 단계로 나뉜다. Voxtral Mini Transcribe 3는 분당 0.0035달러, Small 버전은 0.004달러, 지연 500ms 미만의 실시간 버전은 분당 0.008달러다. 공식 발표된 FLEURS 45개 언어 테스트에서 Small 버전의 단어 오류율은 언어 지정 시 4.1%, 자동 감지 시 4.0%로, Whisper large-v3, Scribe v2, Gemini 3.5 Transcribe를 앞선다고 회사는 밝혔다. 다만 이는 업체 자체 측정으로, 제3자 재검증은 아직 남아 있다. 출력 쪽의 Voxtral Speech 3는 100만 자당 13달러이며 맥락에 따라 감정, 속도, 강세를 조정하고, 30분 분량 녹음으로 화자의 음성 특징과 표현 방식을 재현하는 Pro Voice도 제공한다. LiveKit 기반 에이전트 SDK가 전체를 하나로 묶어, 통화 중 청구 확인, 예약, 본인 확인이 가능하고 각 턴은 1초 안에 끝나며, 상대가 끼어들면 즉시 말을 멈춘다.
같은 날 Eleven Realtime과 정면으로 겹치다
시점이 절묘하다. 같은 날 이른 시간에 ElevenLabs가 실시간 대화용 Eleven Realtime을 발표했고, 이 사이트에서도 ElevenLabs의 Eleven Realtime 출시로 지연과 추론 점수를 다뤘다. 두 제품의 형태는 다르다. ElevenLabs는 음성 대 음성 모델을 팔고, Mistral은 조립 가능한 전체 스택을 판다. 전사, 추론 모델, 합성을 각각 교체할 수 있고 전체를 고객 데이터센터로 가져갈 수도 있다. 유럽 구매자에게는 벤치마크보다 이 지점이 더 중요할 수 있다. 상담 통화에는 개인정보가 대량으로 실리고, EU 호스팅이나 자체 배포를 고를 수 있으면 컴플라이언스 논의가 훨씬 짧아진다.
선정할 때 먼저 볼 계산서
음성 스택을 고르는 팀을 위한 구체적인 확인점은 세 가지다. 첫째, 언어 분포. 사용자가 자원이 적은 언어와 방언에 몰려 있다면 Voxtral의 넓은 지원 범위가 차별점이 되지만, FLEURS만 믿지 말고 실제 통화 녹음으로 오류율을 측정해야 한다. 둘째, 배포 경계. 통화 오디오가 사내 시설을 벗어날 수 있는지가 API와 자체 배포를 가르고, 이를 잘못 정하면 이후 모든 단계가 컴플라이언스 비용이 된다. 셋째, 가격 구조. 전사는 분당 0.5센트 미만, 음성 에이전트 API는 분당 0.04~0.08달러로 대량 사용 시 좌석당 과금 방식의 기존 콜센터와는 자릿수가 다르지만, 추론 모델 비용까지 합산해야 한다. 음성 에이전트 경쟁은 '사람처럼 들리는가'에서 '고객의 데이터 경계 안에서 일을 끝내는가'로 이동했고, Voxtral 3는 후자에 건 베팅이다.
