Mistral выпустила семейство голосовых моделей Voxtral 3
2026-10-20 Mistral представила Voxtral 3 — семейство из четырёх голосовых моделей и SDK для создания агентов, которые распознают речь, отвечают голосом и вызывают внешние инструменты. В линейку вошли Voxtral Mini Transcribe 3, Voxtral Small Transcribe 3, Voxtral Mini Transcribe Realtime 3 и Voxtral TTS 3. По данным вендора, решение охватывает более 50 языков, а задержка начала синтеза речи составляет около 90 мс.
Все четыре модели доступны через API в статусе public preview; Mistral также заявляет размещение в европейской инфраструктуре и возможность развернуть решение у себя. Распознавание стоит $0.0035 за минуту для Mini, $0.004 для Small и $0.008 для режима реального времени. Синтез речи тарифицируется по $16 за 1M символов. Voxtral TTS 3 поддерживает 9 языков, клонирование голоса, 34 обозначения эмоций и управление темпом, а модели распознавания получили разделение говорящих, перевод и настройку задержки от 80 до 2400 мс.
Для контакт-центров, протоколирования встреч и голосовых помощников это единый набор компонентов вместо нескольких поставщиков. При курсе ЦБ РФ 82.8504 RUB/USD час распознавания обойдётся примерно в 17–40 рублей, а 1M символов синтеза — примерно в 1326 рублей без учёта инфраструктуры, хранения и интеграции. Риск — статус preview и отсутствие независимых замеров качества: перед внедрением стоит проверить ошибки распознавания, задержку и работу с нужными языками на собственных записях.
Mistral позиционирует Voxtral 3 как замену моделям Voxtral 2, однако сроки прекращения их поддержки в доступных материалах не указаны. Будем отслеживать переход в общую доступность, условия локального развёртывания и независимые сравнения с конкурентами.