据MarkTechPost报道，Mistral AI于2026年10月21日发布Voxtral 3语音模型家族，并同步推出基于LiveKit的语音代理SDK；该家族包括三款语音转写模型和一款文本转语音模型，四款模型已在Mistral API进入公开预览。
Mistral列出的模型包括旗舰批量转写与说话人分离模型Voxtral Small Transcribe 3、面向低成本批量任务的4B模型Voxtral Mini Transcribe 3、通过WebSocket提供流式ASR并支持轮次结束检测的Voxtral Mini Transcribe Realtime 3，以及文本转语音模型Voxtral Speech 3。Mistral称，所有转写模型均支持说话人分离和上下文偏置；批量转写覆盖50种语言，其中包括24种欧盟官方语言。
性能方面，Mistral公布的数据显示，Small Transcribe 3在FLEURS 45测试中的词错误率为4.1%（强制语言）和4.0%（推断语言），与MAI-Transcribe-2持平；Mini分别为4.6%和4.5%；Whisper large-v3分别为16.0%和14.9%。在Artificial Analysis上，Small的AA-WER为2.1%，排名第三，Mini为2.2%。说话人分离指标cpWER上，Small和Mini分别为18.4%和18.6%，优于Pyannote的19.0%和MAI-Transcribe-2的20.3%。不过Small的速度因子为65.8倍，低于MAI-Transcribe-2的307.5倍。
实时转写以延迟换准确率。Mistral称，Realtime模型在FLEURS 35上于2400毫秒、480毫秒和240毫秒延迟下，WER分别为5.7%、6.4%和7.4%；Gemini 3.5 Realtime为4.2%，MAI-Transcribe-2 Streaming为5.8%，GPT Live Transcribe和Scribe v2 Realtime分别为8.4%和8.7%。文本转语音方面，Voxtral Speech 3定价为每100万字符13美元，提供约90毫秒首音频时间、34种情绪标签，并可用30分钟音频进行Pro Voice音色适配。Mistral称其价格低于OpenAI TTS-1、Deepgram、ElevenLabs Flash和Gemini Flash；Artificial Analysis将其列入两个TTS榜单前12名。
语音代理SDK将实时转写、通用大模型推理与工具调用、文本转语音串成一条流式流水线。Mistral称，实时转写模型负责听取并判断通话者何时停止说话，通用大模型（例如Mistral Small 4）负责推理和调用工具，Voxtral Speech 3按对话语气回复；每轮响应在1秒内完成，并在通话者插话时停止发言。该SDK支持SIP电话以及WebRTC浏览器或应用会话，团队可分别替换LLM、语音或语言。
价格方面，Voxtral Mini Transcribe 3批量版为每分钟0.0035美元，Small Transcribe 3为每分钟0.004美元，Realtime版为每分钟0.008美元。语音代理API在使用Mistral Small 4时为每分钟0.04美元，使用其他推理模型时为每分钟0.08美元。模型可在Mistral的欧洲、美国和全球端点运行，也可通过Mistral销售团队部署在自有基础设施；报道还称OpenRouter列出了三款新模型，并提供欧盟托管、零数据保留端点。