Mistral AI 发布 Voxtral 3：语音转文字、TTS 与语音智能体 SDK
内容提要
Mistral AI发布Voxtral 3语音模型家族及配套SDK，包括3个转写模型、1个TTS模型和基于LiveKit的语音智能体SDK，均已在Mistral API公开预览。Small Transcribe 3的AA-WER为2.1%，排名第三，说话人分离表现最佳，但实时模式精度落后于Gemini 3.5 Realtime。批处理转写每分钟0.0035至0.004美元，TTS每百万字符13美元，未宣布开源权重。
延伸解读
精度与速度的取舍
Small Transcribe 3 的 AA-WER 为 2.1%，排名第三，但速度因子为 65.8x，远低于 MAI-Transcribe-2 的 307.5x。这意味着在需要高吞吐的批处理场景中，Voxtral 的精度优势可能被速度差距抵消。团队应根据任务对延迟和成本的敏感度选择模型，而非仅看错误率排名。
实时模式的精度妥协
实时转写模型在 240 ms 延迟下 WER 升至 7.4%，而 Gemini 3.5 Realtime 为 4.2%。文章指出实时模式以精度换时延，且 Voxtral 所有档位均落后于 Gemini。对于电话客服等对实时性要求高的场景，需权衡低延迟与转写准确性，或考虑混合方案。
语音智能体的模块化设计
SDK 基于 LiveKit，将聆听、推理和发声拆分为独立模型，每轮交互在 1 秒内完成，并支持打断和 SIP/WebRTC。这种设计允许团队替换 LLM、声音或语言，但文章未披露各阶段模型的具体资源需求，实际部署时需自行评估集成复杂度与成本。
定价与开源的缺失
批处理转写每分钟 0.0035 至 0.004 美元，TTS 每百万字符 13 美元，语音智能体 API 每分钟 0.04 至 0.08 美元。文章明确未宣布开源权重，模型仅通过 Mistral API 或自有基础设施部署提供。对于需要本地化或定制微调的团队，这限制了灵活性，需依赖厂商路线图。
Q&A
Voxtral 3 包含哪些模型和 SDK？
Voxtral 3 包含 3 个转写模型（Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3、Voxtral Mini Transcribe Realtime 3）、1 个文本转语音模型（Voxtral Speech 3）以及一个基于 LiveKit 构建的语音智能体 SDK。
Voxtral 3 的转写准确率怎么样？
Small Transcribe 3 在 Artificial Analysis 上的 AA-WER 为 2.1%，排名第 3；Mini 为 2.2%。在 FLEURS 45 上，Small 的 WER 为 4.1%（指定语言）/4.0%（推断语言）。说话人分离 cpWER 为 18.4%，表现最佳。但实时模式在 240 ms 下 WER 为 7.4%，落后于 Gemini 3.5 Realtime 的 4.2%。
Voxtral 3 的定价是怎样的？
批处理转写：Mini 每分钟 $0.0035，Small 每分钟 $0.004；实时转写每分钟 $0.008；TTS 每百万字符 $13；语音智能体 API 配 Mistral Small 4 为每分钟 $0.04，配其他推理模型为每分钟 $0.08。
Voxtral 语音智能体 SDK 如何工作？
该 SDK 基于 LiveKit，以流式管道运行三个阶段：Realtime Transcribe 3 负责聆听并检测话轮结束；通用 LLM（如 Mistral Small 4）负责推理和工具调用；Voxtral Speech 3 用此前对话的语气回应。每轮交互在 1 秒内完成，支持打断和电话/WebRTC 集成。
Voxtral 3 支持多少种语言？
批处理转写覆盖 50 种语言，包括 24 种欧盟官方语言。
Voxtral 3 的模型可以在哪里运行？
可以通过 Mistral API（欧盟、美国及全球端点）运行，或经 Mistral 销售团队部署在自有基础设施上。OpenRouter 也上架了全部 3 个新模型，提供欧盟托管、零数据保留的端点。
Voxtral 3 是否开源？
文章未宣布开源权重，因此 Voxtral 3 目前不是开源的。
