正文

10 月 20 日，法国 Mistral 发布新一代语音模型家族 Voxtral 3，外加一个语音智能体 SDK。一句话："听得懂（转写）+ 会说话（合成）+ 能办事（边打电话边调工具订票、查账单）"打包成一条实时流水线，主打客服中心、电话助手场景，对手是 ElevenLabs、OpenAI 语音方案。硬指标：45 语言转写词错率 4.1%（公司自称打败 Whisper large-v3 的 16.0%），实时转写延迟低于 500 毫秒，一轮对话 1 秒内完成、来电者打断时智能体立刻停嘴。转写 0.0035 美元/分钟起（约 1.5 元/小时），支持欧盟托管或私有化部署。

这是什么

三件套：转写模型 Voxtral Small Transcribe 3（覆盖 50+ 语言、带说话人分离、领域词汇偏置）、语音合成 Voxtral Mini TTS 3（35+ 语言、50+ 方言，可按指令控制情绪/语速/重音，30 分钟以上音频可克隆音色）、基于 LiveKit 的语音智能体 SDK（听→想→调工具→说，一个流里完成）。同一天 ElevenLabs 也发布了两款实时语音对话模型——语音赛道正式开打，拼的是延迟和可打断性。

具体变了什么（数字）

• 转写：FLEURS 45 语言测试词错率 4.1%（Mistral 自报；注意测试集和 Whisper 对比的口径差异）。
• 价格：转写普通版 $0.0035/分钟（约 1.5 元/小时）、实时版 $0.008/分钟（约 3.4 元/小时）；语音合成 $13/每百万字符（约每万字 0.9 元人民币）；完整语音智能体按 Small 4 推理约 $0.04/分钟（约 16.8 元/小时）。
• 部署：欧盟托管 API，或私有化自部署（数据不出自己的机房——主打"主权部署"，对欧洲企业合规友好）。

关键术语解释

词错率（WER）= 转写错了多少词的比例，越低越好，4.1% 意味着 100 个词错约 4 个；说话人分离 = 自动区分"这句话是谁说的"，多人会议转写必需；打断（barge-in）= 人说话打断 AI 时 AI 立刻闭嘴，电话场景体验的关键；主权部署 = 数据留在客户选定的司法辖区/机房，满足欧盟数据合规。

对实际使用者的影响

对做客服/电话机器人的团队：以前要自己拼转写+大模型+合成三套 API，现在一家给齐、延迟和打断都调好了，上线更快；转写 1.5 元/小时属于便宜档。值不值得换：已有 ElevenLabs/OpenAI 方案且跑得顺的不必急着换；新项目、或在意数据合规（尤其欧洲业务）的可以优先评估 Voxtral 3。对普通用户短期内无感；中长期打电话办业务时遇到"真人感"更强、能办事的 AI 客服会越来越多。

来源

Mistral AI 官方发布（2026-10-20）；The Decoder、TestingCatalog、AIWeekly 转述。
The Decoder：Voxtral 3 发布 ｜ TestingCatalog：Voxtral 3 与语音 SDK