Mistral发布Voxtral 3：把语音识别、推理和工具调用接成实时Agent

动察 Beating AI 快讯，法国 AI 公司 Mistral 发布 Voxtral 3，包括三款语音转录模型、一款语音合成模型，以及完整的 Voice Agent SDK。

官方演示中，一名用户用英语要求预约皮肤科医生。AI 读取法语转诊信，调用系统查询空闲时段，完成预约后再用英语确认。整个过程通过实时语音对话完成。

Voxtral 3 并不是一款包办所有任务的端到端语音大模型。它采用模块化设计：转录模型负责识别语音、判断用户何时说完，Mistral Small 等通用大模型负责推理和调用工具，语音合成模型负责回答。基于 LiveKit 的 SDK 将这些环节串成实时流水线，支持电话和网页通话，也允许用户随时打断。Mistral 宣称单轮交互延迟不到 1 秒。开发者还能单独替换推理模型或语音模型。

转录支持的语言从上一代 13 种扩展至 50 多种，语音合成支持 35 种以上语言和 50 多种方言。在 Artificial Analysis 的独立非实时转录测试中，Voxtral Small Transcribe 3 词错误率为 2.1%，排名第三，仅次于阿里巴巴和微软的模型。语音合成则排名第 13。

API 实时转录每分钟收费 0.008 美元，语音合成每百万字符 13 美元。企业还可联系 Mistral，在自有服务器或私有云中部署。