语音智能体至今没有像聊天机器人那样普及,卡点很直白:它要求模型同时做对四件事——跨语言跨口音听准、结合上下文想明白、带着情绪说得自然、还要在通话里连续调用工具把事办完。Mistral 把这四件事打包成 Voxtral 3:三款语音转写模型、一款 TTS 模型,加上一个语音智能体 SDK。
转写:三档模型,最低 0.35 美分一分钟
转写侧一次发了三款。Voxtral Small Transcribe 3 定位最高精度,官方称其多语言转写与说话人分离达到业界先进水平,在 FLEURS 45 语言宏平均测试中词错率 4% 出头,超过 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。Voxtral Mini Transcribe 3 是 4B 参数小模型,batch 转写定价 0.0035 美元/分钟,是全家族最低价。第三款 Voxtral Mini Transcribe Realtime 3 面向智能体场景,35+ 语言实时转写,延迟低于 500 毫秒,原生支持端点检测,让智能体知道用户说完了没。
比较实用的是 context biasing:可以把领域术语、产品名、说话人名字作为关键词喂给模型。官方在 Earnings 22 上的测试里,Voxtral Small 的关键词召回率从 81.4% 拉到 94.6%,对术语密集的呼叫中心,这比微调专用模型便宜得多。
TTS:35+ 语言 50+ 方言,13 美元一百万字符
Voxtral Mini TTS 3 支持 35+ 语言和 50+ 方言,普通话还区分北京、四川口音,定价 13 美元/百万字符,官方称低于 OpenAI TTS-1、Deepgram、ElevenLabs Flash 和 Gemini Flash。它的卖点是"隐式情感":模型自己从文本上下文推断该用什么情绪,不需要额外指令。发音控制支持音素提示,官方对比里,Voxtral 1 会把航班时间「21:00pm」念成「21,000pm」,Voxtral 3 则能正确处理。第三方 Voice Code Bench(BeSimple AI)也把它放在质量/价格曲线左上角。
SDK:一条不到一秒的流水线
语音智能体 SDK 基于 LiveKit,把 Voxtral Mini Transcribe Realtime 3(听)、Mistral Small(推理与工具调用)、Voxtral TTS(说)串成一条流水线,官方称单轮响应不到一秒。智能体可以在通话中核身份、查账单、订预约,靠 function calling 和检索打通业务系统;浏览器和 App 走 WebRTC,也能通过 SIP 直接接打电话。按分钟计费:配 Mistral Small 推理 0.04 美元/分钟,换更大模型 0.08 美元/分钟。
卖点其实是"搬得回家"
模型能力之外,Voxtral 3 真正的差异化在部署:欧盟托管的 API,或者整套自部署到自有基础设施,音频处理与对话留存自己说了算。每一级都是独立模型,LLM、音色、语言都可以单独换。对受监管的金融、医疗呼叫中心,这张主权牌可能比跑分更有说服力——管线能整体搬回自己机房的选项,目前仍然少见。
跑分是官方自评、评测 judge 也是模型,这些数字不妨打个折看。但 0.35 美分一分钟的转写加上 13 美元一百万字符的合成,把语音智能体的成本砸到了呼叫中心能认真算账的水平。当"听-想-说-干活"被打包成一条按分钟计费的流水线,剩的问题只有一个:你的业务系统准备好被打电话的 AI 调用了吗?
参考:Mistral 官方公告;The Decoder 同题报道。