Mistral AI 在 2026 年 10 月 20 日发布官方博客，推出 Voxtral 3 语音模型家族和一套语音智能体 SDK，把转录、推理、工具调用和语音合成塞进同一条实时流式管线：转录覆盖 50 多种语言，合成支持 35 多种语言和 50 多种方言，整套系统即日起通过 Mistral 托管在欧盟的 API 提供，也可以部署到客户自己的基础设施上。
这次发的不是单个模型，是四件套
转录侧有三个档位：Voxtral Mini Transcribe 3 每分钟 0.0035 美元，Small 版 0.004 美元，实时版延迟低于 500 毫秒、每分钟 0.008 美元。官方公布的 FLEURS 45 语言测试中，Small 版在指定语言时词错误率 4.1%、自动识别语言时 4.0%，并称优于 Whisper large-v3、Scribe v2 和 Gemini 3.5 Transcribe；这些是厂商自测口径，还需要第三方复测确认。合成侧的 Voxtral Speech 3 每百万字符 13 美元，能根据上下文调整情绪、语速和重音，还提供 Pro Voice：用 30 分钟录音复现一个人的声音特征和表达风格。智能体侧基于 LiveKit 的 SDK 负责把各环节串起来，通话中可以查账单、订预约、核验身份，每个回合在一秒内完成，来电者插话时能立刻停住。
它和昨天的 Eleven Realtime 撞上了
时间点很微妙：就在同一天稍早，ElevenLabs 发布了主打实时对话的 Eleven Realtime，本站的报道 ElevenLabs 发布 Eleven Realtime 里写过它的低延迟和推理分数。两家走的路线并不相同：ElevenLabs 卖的是一对一的语音到语音模型，Mistral 卖的是可拼装的全套管线——转录、推理模型、合成各环节可以单独替换，还能整体搬进客户机房。对欧洲企业来说，后面这一点可能比跑分更重要：客服通话涉及大量个人数据，能在欧盟托管或私有化部署，采购时的合规账会好算很多。
选型时先算哪笔账
给正在选语音方案的团队三个具体判断点。第一看语言分布：你的用户如果集中在小语种和方言场景，Voxtral 的 50 多种语言转录和方言合成是差异点，先拿真实通话录音测错误率，不要只看 FLEURS。第二看部署边界：通话录音能不能出机房，决定了你选 API 还是自部署，这一步选错后面全是合规成本。第三看价格结构：转录每分钟不到半美分、语音智能体接口每分钟 0.04 到 0.08 美元，量大时和按坐席付费的传统客服系统完全不是一个量级，但要把推理模型的费用一起算进去。语音智能体的竞争已经从“像不像人”走到了“能不能在客户的数据边界里把活办完”，Voxtral 3 押的是后一个问题。
