Mistral wprowadza modele Voxtral 3 do zamiany mowy na tekst i tekstu na mowę oraz SDK do agentów głosowych

Wpis archiwalny: opisuje wydarzenie z 20 października 2026, a opublikowaliśmy go 8 listopada 2026. Dane pochodzą ze źródeł z tamtego dnia i mogły się od tego czasu zmienić.

20 października 2026 r. Mistral AI wydał rodzinę Voxtral 3: modele transkrypcji Small, Mini i Realtime, model zamiany tekstu na mowę Mini oraz SDK do agentów głosowych oparte na LiveKit. Wydanie pojawiło się w kanale aktualności Mistral.

Co obejmował Voxtral 3

• Mistral opisał Small Transcribe 3 jako model najwyższej klasy (state of the art) w wielojęzycznej transkrypcji, rozpoznawaniu mówców (diarizacji), dopasowaniu do kontekstu (context biasing) i wykrywaniu końca wypowiedzi w 50 językach, w tym 24 oficjalnych językach UE, i podał, że przewyższał Whisper, Scribe v2 i Gemini 3.5 Transcribe.
• Mini Transcribe 3 miał 4 mld parametrów, a Realtime Transcribe 3 opóźnienie poniżej 500 ms w ponad 35 językach.
• Mini TTS 3 obejmował ponad 35 języków i ponad 50 dialektów w cenie 13 USD za milion znaków, z klonowaniem głosu z ponad 30 minut próbek dźwięku, adaptacją Pro Voice z 30 minut nagrań oraz gotowymi głosami w 18 językach.
• SDK do agentów głosowych zbudowano na LiveKit i realizowało ono każdą turę rozmowy w czasie poniżej sekundy. Obsługiwało SIP i WebRTC, wywoływanie funkcji, wyszukiwanie w sieci i retrieval, a do wyboru były interfejsy telefoniczny, przeglądarkowy i dla własnego audio.
• Ceny transkrypcji wynosiły 0,0035 USD/min dla Mini Transcribe 3 w trybie wsadowym, 0,008 USD/min dla Mini Transcribe Realtime 3 i 0,0040 USD/min dla Small Transcribe 3. Agenci głosowi kosztowali 0,04 USD/min z Mistral Small 4 i 0,08 USD/min z większym modelem.
• Identyfikatorami modeli były voxtral-small-transcribe-3-0, voxtral-mini-transcribe-3-0, voxtral-mini-transcribe-realtime-3-0 i voxtral-mini-tts-3-0, wszystkie w publicznym podglądzie (Public Preview).

Co to oznacza dla osób budujących z AI

Twórcy aplikacji głosowych mogli dostać transkrypcję od 0,0035 USD za minutę i rozwiązanie dla agentów głosowych działające poniżej sekundy, w całości od jednego dostawcy. Rodzina obejmowała zamianę mowy na tekst, tekstu na mowę oraz SDK dla agentów z interfejsami telefonicznym, przeglądarkowym i dla własnego audio, więc główne elementy produktu głosowego pochodziły od tego samego dostawcy.

Dostępność i źródła

Wszystkie cztery modele były w publicznym podglądzie (Public Preview) w API Mistral, przez punkty końcowe europejskie, amerykańskie i globalne, a Mistral oferował też samodzielne wdrożenie. Więcej szczegółów jest w ogłoszeniu Voxtral 3 i w dzienniku zmian Mistral.

Źródła

• Mistral Blog (Mistral AI, 20 października 2026, oficjalne)
• Voxtral 3: Speech-to-Text, TTS & Voice Agents | Mistral (Mistral AI, oficjalne)
• Changelog | Mistral Docs (Mistral AI, 20 października 2026, oficjalne)

Tekst przygotowany z pomocą AI wyłącznie na podstawie źródeł wymienionych powyżej. Zanim trafił na stronę, przeszedł automatyczną kontrolę dat, źródeł i wszystkich wersji językowych.