Voxtral 3 是 Mistral AI 这次交出的完整语音智能体方案，不再只是单个转写或合成模型。2026 年 10 月 20 日，Mistral 在官方博客发布 Voxtral 3 家族：语音转文字模型 Voxtral Transcribe 3、文字转语音模型 Voxtral Mini TTS 3，再加一个基于 LiveKit 的语音智能体 SDK，把听懂、推理、调用工具和开口回答串进同一条实时流式流水线，当天已可通过 Mistral 的 API 或自托管方式使用。
转写这一端：50 多门语言，还分得清谁在说话
转写支持的语言扩到 50 多门，包含 24 门欧盟官方语言和不少低资源亚洲语言。Small 版本带说话人分离，能标出谁在什么时候说了什么；还能用上下文偏置，把公司名、人名、技术术语这类关键词提前喂给模型，减少专有名词转错。按 Mistral 公布的评测，Small 版在多语种转写与说话人分离上超过 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；这是厂商自测口径，真实差距要等独立评测。价格很克制：Mini 批量转写每分钟 0.0035 美元，Small 每分钟 0.004 美元，实时版每分钟 0.008 美元、延迟低于 500 毫秒，并能判断用户是否说完一句话，减少智能体抢话。
合成这一端：按语境变情绪，30 分钟音频定制专属声音
TTS 模型支持 35 多门语言、50 多种方言，能根据对话语境调整情绪、语速和重音，而不是平读文本。专业版 Pro Voice 用 30 分钟参考音频就能复刻一个人的声音特征、情绪范围和说话风格，并跨语言保持。合成定价为每百万字符 13 美元，Mistral 称低于 OpenAI TTS-1、Deepgram、ElevenLabs Flash 和 Gemini Flash 的同类成本，这同样是官方口径。对品牌客服来说，这意味着可以用统一的品牌声音接电话，还能按方言和正式程度切换表达。
智能体 SDK 才是这次的主角
真正的新东西是语音智能体 SDK：实时转写听清内容，通用模型推理并调用工具，Speech 3 再用贴合语境的语气回答，整个回合在一秒内完成，用户打断时智能体会立刻停下。通话中它能核验来电者身份、查账单、预约服务，走 SIP 接电话系统、走 WebRTC 进浏览器和应用。每个环节的模型可以单独替换，也能整套跑在企业自己的基础设施上，音频留不留、留在哪由企业说了算。对想做电话客服、服务台和免手操作助手的团队，这次发布的价值不在某个单项分数，而在于省去了自己拼接四套系统的工程量；下一步值得看的是它在真实呼叫中心噪声环境里的稳定性。
