Voxtral 3: голосовые агенты Mistral от $0,0035 за минуту

Voxtral 3 — новое семейство голосовых моделей Mistral, которое вышло 20 октября: распознавание речи на 50+ языках, синтез голоса с эмоциями и готовый SDK для голосовых агентов, которые сами звонят, слушают и выполняют задачи. Русский в списке есть. Разбираем, что внутри, сколько стоит и какие цифры пока подтверждает только сама Mistral.

Что выпустила Mistral

Дата релиза всех четырёх моделей — 20 октября 2026 года, это видно в карточке семейства в Legal Center Mistral. По анонсу компании роли такие:

Voxtral Small Transcribe 3 — флагман распознавания. Определяет, кто говорит (диаризация), подхватывает подсказки с терминами и именами (context biasing) и понимает, когда человек договорил. Цена — $0,004 за минуту.
Voxtral Mini Transcribe 3 — лёгкая версия на 4 млрд параметров за $0,0035 за минуту.
Voxtral Mini Transcribe Realtime 3 — потоковое распознавание с задержкой меньше 500 мс, $0,008 за минуту.
Voxtral Speech 3 — синтез речи на 35+ языках и 50+ диалектах, с управлением эмоцией, темпом и ударениями, $13 за миллион символов.

Отдельно идёт Pro Voice: копирование голоса конкретного человека по 30 минутам записи, с сохранением манеры речи на разных языках.

Voxtral 3 как голосовой агент

Главная новинка не сами модели, а SDK на базе LiveKit. Он склеивает в один поток три этапа: Realtime-модель слушает и ловит конец фразы, текстовая модель вроде Mistral Small думает и вызывает инструменты, а Voxtral Speech 3 отвечает голосом. По словам Mistral, этапы не ждут друг друга, поэтому каждый ход разговора укладывается меньше чем в секунду, а агент замолкает, если его перебили.

Агент умеет проверять личность звонящего, смотреть счёт или записывать к врачу через вызов функций, веб-поиск и поиск по твоим данным. Работает по телефонии SIP и через WebRTC в браузере и приложениях. Каждый этап можно заменить: другая LLM, другой голос или язык без переписывания агента. Голосовой агент с Mistral Small 4 стоит $0,04 за минуту, с любой другой моделью — $0,08.

Доступ — через API Mistral с европейскими, американскими и глобальными эндпоинтами, плюс развёртывание на своих серверах. Для бизнеса это аргумент: аудио можно не отправлять за пределы своей инфраструктуры.

Голосового бота теперь можно собрать за вечер, а голос человека скопировать по получасу записи — и это касается не только колл-центров.

Что показывают бенчмарки

Цифры из анонса Mistral, их подробно разобрал AICoder:

На 45 языках FLEURS средняя ошибка распознавания у Small — 4,1% при заданном языке и 4,0% при автоопределении. Это вровень с Microsoft AI Transcribe 2, лучше Scribe v2 (4,9%) и сильно лучше Whisper large-v3 (16,0% и 14,9%).
В диаризации ошибка у Small 18,4% против 30,9% у прошлой Voxtral Mini Transcribe 2 и 38,4% у Gemini 3.5 Transcribe.
В реальном времени картина скромнее: при задержке 480 мс ошибка 6,4%, а у Gemini 3.5 Realtime Transcribe — 4,2%.
Для синтеза Mistral показывает графики «качество за доллар», где судьёй выступает другая модель, а не люди. Конкретных оценок по каждой модели нет.

The Decoder подчёркивает тот же акцент: Mistral продаёт не одну модель, а полный стек для голосового агента с хостингом в ЕС.

Что это значит для тебя

Если ты делаешь ботов для поддержки, расшифровываешь созвоны или подкасты, Voxtral 3 выглядит дешёвым вариантом: час аудио на Mini стоит около 21 цента по прайсу. Русский входит и в список языков распознавания, и в 18 языков с готовыми голосами. Но перед продакшеном проверь качество на своих записях: все цифры пока от самой компании.

Для крипты есть и обратная сторона. Голосовой агент, который звонит, говорит естественно и копирует голос по 30 минутам записи, — удобный инструмент и для мошенников. Это наш вывод, а не слова Mistral, но звонок «от поддержки биржи» с живой интонацией становится дешевле. Правило простое: настоящая поддержка не просит сид-фразу и не торопит с переводом.

Раньше Mistral в октябре выпустила Mistral Large 4, а OpenAI обновила голос ChatGPT в GPT-Live-1.1. Голосовые модели становятся отдельным полем конкуренции.

FAQ

Что такое Voxtral 3? Семейство голосовых моделей Mistral от 20 октября 2026 года: три модели распознавания, модель синтеза речи и SDK для голосовых агентов.

Поддерживает ли Voxtral 3 русский? Да. Русский есть в списке языков распознавания и среди 18 языков с готовыми голосами.

Сколько стоит? Распознавание — от $0,0035 до $0,008 за минуту, синтез — $13 за миллион символов, голосовой агент — $0,04 или $0,08 за минуту.

Открыты ли веса? Mistral говорит о самостоятельном развёртывании, но для полного стека на своих серверах предлагает связаться с командой.

Итог: Voxtral 3 — сильная заявка Mistral на рынок голосовых агентов с низкими ценами и русским в комплекте. Пока это цифры из анонса, так что тестируй на своих задачах и помни про риск голосовых подделок.

#Mistral #Voxtral 3 #голосовые агенты #нейросети #распознавание речи

Материал не является инвестиционной рекомендацией. Крипта — высокий риск, решения принимаешь сам.