Mistral 发布 Voxtral 3 语音模型家族与语音 Agent SDK

思考

摘要

Voxtral 3 推出前沿语音智能体 SDK 与最先进的语音模型，专为跨 50 多种语言的实时、多步骤对话而设计。它融合了精准转写、具备情感适应性的自然语音合成，以及深度工具集成，实现无缝的工作流自动化。可通过 Mistral 的欧盟托管 API 或自行部署获取，在确保数据主权的同时，为联络中心、虚拟助手和免提副驾驶提供低延迟、类人的交互体验。

语音转写和语音生成技术已取得长足进步，但构建能够聆听、推理、交互并处理复杂工作流的端到端语音智能体仍然困难重重。 

一个可靠的语音智能体需要同时出色地完成四件事： 

1. 准确聆听，跨越语言、口音、说话人和打断；

2. 深入推理用户在特定语境下的真实意图；

3. 自然表达，带有情感和表现力；以及 

4. 采取行动，通过互联系统完成多个步骤。 

让这四者实时可靠地协同工作仍是一项挑战。 

为此，我们推出 Voxtral 3：一个全新的最先进 语音转文本 和 文本转语音 模型系列，以及一个语音智能体 SDK，将聆听、思考、工具调用和说话整合到单一的实时流式管道中。

Voxtral 3 旨在打造自然的对话体验，从联络中心智能体和服务台，到虚拟助手和免提副驾驶。它支持数十种语言、富有表现力的语音、复杂推理，并与你自己的工具和数据深度集成，用 Voxtral 构建的智能体能够解读细微意图、对复杂请求进行推理，并在互联系统中执行多步骤操作。

与其他 Mistral 模型一样，Voxtral 3 系列专为主权部署而设计。即日起可通过 Mistral 的欧盟托管 API 获取，或在你自己的基础设施上自行部署，让组织能够控制音频的处理位置、数据的处理方式以及对话是否保留。

亮点

1. 跨 50 多种语言的精准转写。语音转文本模型 Voxtral Small Transcribe 3 在多语言转写方面处于最先进水平，可识别谁说了什么（说话人分离），利用关键短语提升准确度（上下文偏置）。它能检测某人何时说完，以便智能体即时响应（轮次结束检测）。

2. 随对话自然调整的语音。文本转语音模型 Voxtral Mini TTS 3 引入新语音，可根据对话语境调整情感、语速和重音，支持 35 种以上语言和 50 种以上方言。

3. 听你指挥的类人智能。全新的语音智能体 SDK 将聆听、推理、工具调用和说话整合为实时体验。智能体可在电话或网页的实时对话中检索信息、与业务系统交互并完成任务。

4. Pro Voice，实现高度精准的语音适配。对于基础语音克隆无法满足的专业用例，Voxtral 的 Pro Voice 适配仅需 30 分钟音频，即可跨语言复现说话者独特的音色特征、情感范围和说话风格。 

5. 你的语音 AI，运行在你的基础设施上。使用 Mistral 的欧盟托管 API，或将 Voxtral 3 部署到你自己的基础设施上。将敏感对话保留在你的环境内，并控制是否保留任何音频。 

立即试用 Voxtral | 了解更多

它支持 50 多种语言，准确率达到业界领先水平。

Voxtral Transcribe 3 在转录、说话人分离（谁在何时说话）和上下文偏置能力方面代表了一个重要里程碑。支持的语言列表扩展至 50 种，包括 24 种欧盟官方语言以及许多低资源亚洲语言和印度语系语言。

Small 版本在说话人分离和多语言转录方面均达到业界领先水平，包括英语、法语和西班牙语。它优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。Mini 变体 为 4B 参数，能够以每分钟 0.0035 美元的价格实现快速、准确的转录。

两个模型均支持上下文偏置，可提供关键术语和自由文本以偏置转录，并提高对技术术语的召回率。这使得它们无需微调即可用于具有领域特定词汇的生产环境。

Voxtral Realtime Transcribe 3 是一款专为智能体用例构建的实时转录模型。它能在超过 35 种语言中实现低于 500 毫秒延迟的高质量转录，包括说话人分离和上下文偏置。

原生支持轮次结束预测，结合声学与语义信息，准确预测用户何时说完。这使低延迟语音智能体应用成为可能，同时最大限度降低用户被过早打断时的误截断率。

它以恰当的情绪作答，并使用你或你客户品牌自己的声音和当地方言。

Voxtral Mini TTS 3.0 提供批处理和实时两种模式，在 35 种以上语言和 50 种以上方言中实现了最先进的表现力和指令遵循能力。Voxtral Speech 3 每 100 万字符收费 13 美元，运行成本低于 OpenAI TTS-1、Deepgram、ElevenLabs Flash 和 Gemini Flash 的同类模型。

该语音模型能隐式更好地理解上下文的语义，从而在多种情绪和语言中生成自然的语音。新增和改进的功能包括从 30 分钟以上采样音频进行声音克隆、自定义提示指令遵循（IF）、上下文 TTS 以及词汇库，所有这些都服务于部署中的语音可靠性目标。显式 IF 的变量包括 emotion、pacing 和 emphasis。

提示

我们就在这里结束争论吧：是 GIF。

默认

非标准音素提示：dʒ ɪ f

所有听起来自然的语音都依赖情绪，情绪决定其韵律、节奏、语速、强调和过渡。Voxtral TTS 原生解读提示文本的上下文以确定情绪和声音风格，使模型天生更擅长生成自然语音，而无需额外指令或声音提示。

展示 Voxtral 在表现力、数字和独特名称上的爬山式提升。

提示词

感谢您致电 Mistral！我了解到您在登录 AI Studio 时遇到了困难。可以确认一下您的电子邮箱地址吗？我这里显示的是 [email protected]，对吗？

Voxtral 1

Voxtral 3

语音在 35 种语言和 50 多种方言中听起来像本地口音。

Voxtral TTS 支持35 种以上语言及地区方言。我们的多语言评测遵循方言在发音、正式与非正式语体、拼写、冗长度以及地区惯例（时间、日期、温度、地址、货币）上的差异。

Voxtral 3 多语言库

语音预设支持 18 种语言：阿拉伯语（阿联酋、现代标准）、巴西葡萄牙语、加泰罗尼亚语、中文（普通话）、荷兰语、英语（美国、英国）、法语（法国）、德语、希腊语、印地语、意大利语、韩语、挪威语、俄语、西班牙语（西班牙）和越南语。

语音智能体掌控整个对话。

Voxtral 3 推出了基于 LiveKit 构建的语音智能体 SDK，将语音输入、推理和语音输出作为一条流式管道运行。Voxtral Mini Transcribe Realtime 3 负责聆听并检测来电者何时说完，通用模型——例如 Mistral Small——进行推理并调用工具，Voxtral Speech 3 则按照此前对话的语气进行回复。没有任何阶段需要等待前一阶段，因此每轮对话都能在一秒内完成，并且当来电者插话时智能体会停止说话。

在通话过程中，智能体可以利用函数调用、网络搜索以及对自有系统的检索来验证来电者身份、查询账单或预约。它通过 SIP 接听和拨打电话，通过 WebRTC 在浏览器和应用中运行，并可连接您已在使用的电话、IVR 和联络中心软件。

每个阶段都是独立的模型，因此您可以更换 LLM、音色或语言，而无需重写智能体，并且可以在欧洲的 Mistral API 或您自己的基础设施上运行整个技术栈。

开始使用。

Voxtral 3 现已通过 Mistral API 提供，托管于我们的欧洲、美国和全球端点。

您可以在 Studio 演练场中测试语音智能体、音频转写、语音生成和语音克隆。 

要在本地或私有云中运行整个技术栈，请联系我们的团队。