Mistral AI представила Voxtral 3 — семейство моделей для распознавания и синтеза речи — и SDK для создания голосовых агентов. Новинки доступны через API компании с европейскими, американскими и глобальными точками подключения. Для полного стека предусмотрено развёртывание в собственной инфраструктуре или частном облаке по договорённости с Mistral.
В семейство вошли Voxtral Mini Transcribe 3 для пакетной обработки, его версия Realtime и более точная Voxtral Small Transcribe 3. Пакетные модели поддерживают свыше 50 языков, разделение реплик по говорящим и подсказки контекста. Для Realtime компания указывает более 40 языков и задержку распознавания менее 500 мс; это характеристика Mistral, а не результат независимого испытания. Voxtral Speech 3 синтезирует речь на более чем 35 языках и 50 диалектах, а 18 языков получили готовые голосовые пресеты.
SDK построен на LiveKit и соединяет распознавание, рассуждение языковой модели и синтез в один поток. Компоненты можно менять отдельно. Агент поддерживает вызов функций, веб-поиск и поиск по системам заказчика, подключение к телефонии по SIP и работу в браузерах и приложениях через WebRTC. Mistral заявляет, что полный ответный цикл занимает менее секунды и агент прекращает говорить, если пользователь его перебивает; фактическая задержка будет зависеть от сети, выбранной модели и инструментов.
API-тарифы начинаются с $0,0035 за минуту пакетной расшифровки; Realtime стоит $0,008 за минуту, Small Transcribe — $0,004, а синтез — $13 за миллион символов. Цены и показатели приведены по анонсу компании на дату публикации.
