Mistralは音声の聞き取り、推論、発話、ツール呼び出しを一つのストリーミング処理にまとめるVoxtral 3を公開した。用途として挙げるのはコンタクトセンター、サービスデスク、ハンズフリーのコパイロットである。APIは欧州、米国、グローバルのエンドポイントで使え、スタック全体の自社配備も案内している。
認識側のVoxtral Small Transcribe 3は、話者分離と用語のコンテキスト指定に対応し、50以上の言語を扱う。Mistralは多言語の文字起こしでWhisper、Scribe v2、Gemini 3.5 Transcribeを上回ると説明している。Miniは40億パラメータで、バッチの文字起こしは1分あたり0.0035ドル。リアルタイム版は1分あたり0.008ドルで、本文では35以上の言語、遅延500ミリ秒未満としている。Smallのバッチは1分あたり0.004ドルだ。
合成のVoxtral Speech 3は、バッチとリアルタイムが同じAPIで100万文字あたり13ドル。35以上の言語と50以上の方言に対応し、感情、速度、強調を指示できる。話者の特徴を合わせるPro Voiceは、30分の音声を材料にする。音声エージェントSDKはLiveKit上にあり、認識、推論、発話を別モデルとして差し替えられる。推論にMistral Small 4を使う場合は1分あたり0.04ドル、それ以外のモデルは0.08ドル。電話はSIP、ブラウザやアプリはWebRTCで、呼び出し側が割り込むと発話を止める。各ターンは1秒未満で完了するとしている。
音声エージェントを自前で組んでいるなら、認識精度の自己申告と、音声をEUに残すか自社に残すかを分けて見る必要がある。料金表は文字起こし、合成、推論モデルで単位が違うので、通話分数で再計算しないと比較にならない。