发生了什么
2026 年 10 月 20 日，Mistral AI 发布 Voxtral 3——不是单一模型，而是一组语音模型加一个智能体 SDK。这个打包方式本身就是重点：过去做语音智能体要自己把识别、推理、合成三层粘起来，现在官方给出一条已经串好的流式管线。模型可通过 Mistral API 在欧盟、美国与全球端点调用，也可部署在客户自有基础设施上。
四个模型，四种单价
- Voxtral Small Transcribe 3：50 种语言，含 24 种欧盟官方语言与部分低资源亚洲、印度语系；支持说话人分离（谁在何时说话）、关键术语偏置（context biasing，无需微调即可提升专业词召回）、话轮结束检测。每分钟 0.0040 美元。
- Voxtral Mini Transcribe 3：4B 参数版本，主打成本，批处理每分钟 0.0035 美元。
- Voxtral Mini Transcribe Realtime 3：面向智能体，35 种以上语言、延迟低于 500 毫秒，每分钟 0.008 美元。
- Voxtral Speech 3（TTS）：35 种以上语言、50 种以上方言，按对话上下文自行决定情绪、语速与重音，不必依赖标签；每百万字符 13 美元。Pro Voice 能力可用 30 分钟音频复刻说话人的音色、情绪范围与表达风格，并跨语言保持。
SDK 里到底串了什么
管线基于 LiveKit 这个开源实时音频框架：实时转写模型负责听并判断对方是否说完，通用模型（如 Mistral Small）负责推理与工具调用，Speech 3 负责按当前对话语气作答。三个阶段互不等待，官方称单轮可在一秒内完成，且用户打断时智能体立即停止说话。通话可通过 SIP 接入电话线、通过 WebRTC 进浏览器与应用，并能对接既有电话系统、IVR 与客服软件。因为三段是独立模型，换语言模型或换音色不必重写智能体。
为什么重要
客服与电话外呼是目前少数「按分钟计成本、按秒计体验」的 AI 场景，供应商选择直接取决于单价与延迟两条硬指标。Mistral 这次把价位压到转写每千分钟 3.5 至 8 美元区间，并提供自部署选项——对数据不能出境的欧洲企业、以及对通话录音留存有合规要求的行业，这是此前只能选美国厂商时缺的一条路。把 SDK 一起给出，则把「集成工作量」从项目级降到了配置级。
需要打折扣看的地方
一，全部性能声明来自 Mistral 自测：转写侧称优于 Whisper、ElevenLabs 的 Scribe v2 与 Gemini 3.5 Transcribe，但公告未引用任何独立评测；TTS 侧使用的 Voice Code Bench 由第三方提供，而评审模型是 Google 的 gemini-3.8-flash，属被评测方之一。二，公告未说明许可证，也未说明权重是否可下载，本地与私有云部署被引导至销售团队，暗示是商业条款而非免费权重。三，官方博客称 TTS 支持 35 种以上语言、50 种以上方言，但模型文档页（voxtral-mini-tts-3-0）标注支持 9 种语言，两处口径不一致，落地前应以实际调用结果为准。