Voxtral 3 怎么用，第一步不是找下载链接，而是分清你要的是转写、实时对话还是语音合成。Mistral 发布的 Voxtral 3 是一个模型家族，覆盖语音转文字、文字转语音和实时对话，官方提供 API 调用与自部署两条路。会议录音转文字、电话客服实时应答、给视频配音，这三件事走的模型和接口并不相同，选错入口，后面全是返工。
转写类模型把音频变成带时间戳的文本，适合会议纪要、采访整理和字幕初稿，部分模型还支持说话人区分和领域词汇提示，录音里的人名、产品名先给提示词，识别结果会更稳。实时类模型边听边转写、边推理边出声，适合语音助手和电话场景，对延迟敏感，网络和音频采集的稳定性比模型参数更关键。语音合成类模型把文字变成自然语音，支持音色选择，适合播客、有声内容和产品播报，选之前先听官方试听，确认音色和语气符合场景。
API 先跑通，自部署再谈合规与成本
普通开发者和产品团队先走 Mistral 的 API：不用准备 GPU，按音频分钟或字符计费，具体价格以 Mistral 定价页为准，欧洲、美国与全球端点按数据驻留要求选。API 适合验证需求、跑小批量任务，以及不想维护推理服务的团队。自部署适合录音有驻留要求、调用量大到 API 账单划不来、或需要离线运行的场景，但要自己准备 GPU、维护推理服务和版本升级，部分开放权重模型可用 vLLM 等工具部署，完整私有化部署则要和 Mistral 团队对接。
语音助手要按一条流水线搭
做语音助手时，常见结构是语音输入、推理、语音输出串成一条流式流水线，中间还要接工具调用。Mistral 提供了基于 LiveKit 的语音助手开发包，负责采集、转写、模型调用、发声和传输，开发者写指令、工具和事件处理。落地前先用真实录音小批量测试：口音、背景噪音、专业词汇和多人插话都会影响效果，出现问题先分段定位，是采集、转写还是合成环节，再针对性调整，别一股脑换模型。
