Mistral AI stellt Sprachmodelle Voxtral 3 und Voice-Agent-SDK vor

Mistral AI hat Voxtral 3 veröffentlicht, eine neue Familie von Sprache-zu-Text- und Text-zu-Sprache-Modellen in Kombination mit einem Voice-Agent-SDK, wie das Unternehmen mitteilte.

Laut Mistral zielt die Veröffentlichung darauf ab, Sprachagenten zu entwickeln, die zuhören, denken, sprechen und über verbundene Systeme in Echtzeit mehrstufige Aktionen ausführen können. Das Unternehmen erklärt, bestehende Sprachwerkzeuge hätten sich zwar verbessert, doch die Kombination aus präzisem Zuhören, kontextbezogenem Denken, natürlicher Sprache und Tool-Calling in einem zuverlässigen Echtzeitsystem sei weiterhin schwierig gewesen.

Was die Veröffentlichung umfasst

Mistral zufolge besteht Voxtral 3 aus zwei Kernmodellen und einem SDK:

• Voxtral Small Transcribe 3 — ein Sprache-zu-Text-Modell, das das Unternehmen als Stand der Technik bei der mehrsprachigen Transkription bezeichnet und das Diarisierung (Erkennung, wer wann spricht), Context Biasing (Nutzung vorgegebener Schlüsselphrasen zur Verbesserung der Genauigkeit) und Sprechpausenerkennung unterstützt.
• Voxtral Mini TTS 3 — ein Text-zu-Sprache-Modell, das laut Unternehmen Stimmen erzeugt, die Emotion, Tempo und Betonung an den Gesprächskontext anpassen, in über 35 Sprachen und mehr als 50 Dialekten.
• Ein Voice-Agent-SDK — das laut Mistral Zuhören, Denken, Tool-Calling und Sprechen in einer einzigen Echtzeit-Streaming-Pipeline vereint und es Agenten ermöglicht, während laufender Telefon- oder Webgespräche Informationen abzurufen und Aufgaben zu erledigen.

Das Unternehmen beschreibt zudem eine Funktion namens Pro Voice für professionelle Anwendungsfälle, die eigenen Angaben zufolge mithilfe von etwa 30 Minuten Audiomaterial den charakteristischen Klang, die emotionale Bandbreite und den Sprechstil einer Person über mehrere Sprachen hinweg reproduzieren kann.

Sprachabdeckung und Leistungsangaben

Mistral erklärt, das Transkriptionsmodell decke nun 50 Sprachen ab, darunter 24 offizielle EU-Sprachen sowie mehrere ressourcenarme asiatische und indische Sprachen. Das Unternehmen gibt an, die Small-Version erziele Spitzenergebnisse bei Diarisierung und mehrsprachiger Transkription, unter anderem im Englischen, Französischen und Spanischen, und übertreffe dabei Whisper, Scribe v2 und Gemini 3.5 Transcribe. Eine Mini-Variante mit 4 Milliarden Parametern koste laut Mistral 0,0035 US-Dollar pro Minute.

Das Unternehmen beschreibt außerdem ein separates Modell, Voxtral Realtime Transcribe 3, das nach eigenen Angaben Transkriptionen mit einer Latenz von unter 500 Millisekunden in mehr als 35 Sprachen liefert, einschließlich Diarisierung und Context Biasing.

Bei der Sprachgenerierung koste Voxtral Mini TTS 3.0 laut Mistral 13 US-Dollar pro 1 Million Zeichen, was das Unternehmen als günstiger bezeichnet als vergleichbare Angebote von OpenAIs TTS-1, Deepgram, ElevenLabs Flash und Gemini Flash. Mistral erklärt, das Modell interpretiere die semantische Bedeutung des Textkontexts nativ, um Sprache zu erzeugen, und neue Funktionen umfassten Stimmenklonierung anhand von mehr als 30 Minuten Audioproben, die Befolgung individueller Prompt-Anweisungen für Emotion, Tempo und Betonung sowie eine Vokabelbibliothek.

Bereitstellung und Datenverarbeitung

Mistral erklärt, Voxtral 3 sei – wie die übrigen Modelle des Unternehmens – für souveräne Bereitstellung konzipiert. Es ist über Mistrals EU-gehostete API oder zum Eigenbetrieb auf der eigenen Infrastruktur einer Organisation verfügbar, was Unternehmen laut Mistral die Kontrolle darüber gibt, wo Audiodaten verarbeitet werden, wie mit Daten umgegangen wird und ob Gespräche gespeichert werden.

Mistral AI, Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages, veröffentlicht am 20. Oktober 2026.