Mistral 推出 Voxtral 3 語音代理系統：整合 STT、TTS 與 LiveKit SDK，轉錄每分鐘 0.0035 美元起

Mistral AI 發布即時語音代理系統 Voxtral 3，整合語音轉文字（STT）、文字轉語音（TTS）模型與基於 LiveKit 的語音代理 SDK，將聆聽、推論、工具呼叫與發話串接為單一串流管線，可在通話期間執行查詢發票或預約等外部系統操作。 轉錄模型包含 Voxtral Small Transcribe 3 與 4B 參數級別的 Voxtral Mini（開源資料顯示其語言模型組件約為 34 億參數）。STT 支援 50 種以上語言，涵蓋 24 種歐盟官方語言與部分亞洲、印度低資源語言，具備語者分離與免微調的上下文偏差（context-biasing）術語強化功能。官方稱 Small 版本在多語言轉錄上超越 Whisper、Scribe v2 與 Gemini 3.5 Transcribe。即時版本 Voxtral Realtime Transcribe 3 則在 35 種以上語言實現 500 毫秒以下延遲，並結合聲學與語意資訊原生支援話輪結束預測，降低搶話誤切率。 語音生成方面，Voxtral Mini TTS 3.0 支援 35 種以上語言與 50 種以上方言，能依上下文指示調節情緒、語速與重音；Pro Voice 模式則支援以 30 分鐘音訊樣本進行聲音複製。 定價方面，Mini 轉錄每分鐘 0.0035 美元，TTS 每 100 萬字元收費 13 美元，標榜低於 OpenAI TTS-1、Deepgram、ElevenLabs Flash 與 Gemini Flash。系統提供 Mistral 歐盟託管 API 或企業自有基礎設施部署，以滿足資料主權與隱私要求。