Mistral 发布 Voxtral 3 语音全栈，转写覆盖 50 种语言并开放自部署

法国 AI 公司 Mistral 于 10 月 20 日发布 Voxtral 3 语音模型家族，覆盖语音转文字、文字转语音与实时语音智能体三个环节，并配套基于 LiveKit 的语音智能体 SDK，将听、推理与说整合为一条流水线。转写覆盖 50 余种语言，语音合成覆盖 35 种以上语言及 50 多个方言变体。

定价方面，4B 参数的 Voxtral Mini Transcribe 3 为每分钟 0.0035 美元，实时版支持低延迟流式转写，语音合成为每百万字符 13 美元；官方称其宏平均词错率与微软同类模型持平，优于此前版本。模型可通过 Mistral 在欧盟、美国的托管 API 使用，也支持企业自行部署；新加入的 Pro Voice 功能支持用 30 分钟参考音频进行高保真音色定制。

【AICOR 点评】文字智能体的竞争已经白热化，Mistral 直接去铺电话线——语音是企业服务里尚未被瓜分的入口。对国内厂商的启示在于：语音智能体的胜负不在单点音质，而在「听懂—想清楚—办成事」的全链路延迟与成本。欧盟托管加自部署的组合拳，也再次验证私有化部署是 To B 语音场景的硬需求。