Voxtral 3
Речевой стек и SDK от Mistral для создания умных многоязычных голосовых агентов
Представьте телефонный звонок, где собеседник на том конце не просто зачитывает скрипт жестяным тембром, а подхватывает контекст на лету, улавливает паузы и без запинки переключается между языками. Семейство моделей Voxtral 3 и сопутствующий voice agent SDK объединяют распознавание, рассуждение модели, вызовы внешних систем и генерацию голоса в единую непрерывную цепочку для живого общения через телефон или веб.
Что умеет
- Точная транскрипция на 50+ языках. Модель Voxtral Small Transcribe 3 справляется с многоязычной речью, различает говорящих по ролям и распознаёт профессиональные термины благодаря контекстным подсказкам без дообучения.
- Реальное время без задержек. Модель Voxtral Realtime Transcribe 3 работает с откликом менее 500 мс более чем на 35 языках, а специальный алгоритм отслеживает конец реплики собеседника по звуку и смыслу фразы.
- Живая интонация под ситуацию. Генератор речи Voxtral Mini TTS 3.0 поддерживает 35+ языков и свыше 50 диалектов. Он сам считывает эмоциональный контекст фразы, регулируя темп, паузы и расстановку ударений.
- Клонирование голоса Pro Voice. Технология воссоздаёт уникальный тембр, характерную подачу и эмоциональный диапазон спикера на основе 30 минут исходной аудиозаписи.
- Связка с сервисами через SDK. Голосовой ассистент прямо во время звонка запрашивает данные из баз, бронирует слоты и выполняет шаги в корпоративных системах.
Цены и доступ
Модели доступны через защищённый API компании с серверами в Евросоюзе либо для автономного развёртывания на собственных мощностях заказчика. Транскрипция Voxtral Mini Transcribe 3 стоит $0,0035 за минуту аудио, а синтез речи Voxtral Mini TTS 3.0 обойдётся в $13 за миллион печатных символов.
Командам интерактивных сервисов и создателям голосовых интерфейсов набор пригодится для запуска реалистичных автоответчиков, мультиязычных ассистентов техподдержки и голосового управления без передачи приватных разговоров сторонним облакам.
