Voxtral 3
Mistral представила Voxtral 3 — семейство моделей распознавания и синтеза речи вместе с SDK для голосовых агентов. Главная идея: свести в один потоковый конвейер четыре задачи, которые обычно решаются по отдельности, — точное слушание, глубокое рассуждение, естественную речь и выполнение действий через подключённые системы. Конвейер построен на LiveKit, и ни одна стадия не ждёт завершения предыдущей, поэтому каждый ход укладывается в секунду, а агент замолкает, когда собеседник перебивает.
Ключевые детали: модель Voxtral Small Transcribe 3 распознаёт более 50 языков, определяет, кто говорит (диаризация), использует ключевые фразы для повышения точности и детектирует конец реплики. Voxtral Mini TTS 3 поддерживает 35+ языков и 50+ диалектов, меняя эмоцию, темп и акценты по ходу разговора. Для профессиональных сценариев адаптация Pro Voice воспроизводит характер, эмоциональный диапазон и стиль говорящего всего по 30 минутам аудио. Агент умеет проверять личность, счета и бронировать встречи через вызов функций, веб-поиск и поиск по собственным системам, работает по SIP, WebRTC и подключается к телефонии и контакт-центрам.
Доступен через API Mistral с европейскими, американскими и глобальными эндпоинтами либо для развёртывания на своей инфраструктуре — с контролем над тем, где обрабатывается аудио и сохраняется ли оно. Цены: транскрипция от $0,0035/мин, синтез $13 за 1 млн символов, голосовой агент с Mistral Small 4 — $0,04/мин.