Mistral 发布 Voxtral 3 语音模型，转写每分钟 0.0035 美元起

Mistral 发布 Voxtral 3 语音模型家族，通过 Mistral API 提供，转写价格每分钟 0.0035 美元起。Mistral 在北京时间 10 月 21 日 0:00 于 X 上宣布。

按发布文里的价格表，批量转写的 Voxtral Mini Transcribe 3 每分钟 0.0035 美元，Voxtral Small Transcribe 3 每分钟 0.0040 美元，Voxtral Mini Transcribe Realtime 3 每分钟 0.008 美元。语音合成模型 Voxtral Speech 3 的批量和实时用的是同一个 API，每百万字符 13 美元。Mistral 称这个价格低于 OpenAI、Deepgram、ElevenLabs 和 Google 的同类模型。

Mistral 表示，转写模型支持 50 种语言，其中包括 24 种欧盟官方语言，并支持上下文偏置，可以传入关键词来提高专业词汇的识别率。发布文说 Voxtral Small Transcribe 3 能区分录音里谁在说话（说话人分离），也能判断说话人是否说完。Voxtral Mini Transcribe 3 的参数量是 4B。

Voxtral Mini Transcribe Realtime 3 面向语音 Agent，按 Mistral 的说法能在 35 种以上语言里做到 500 毫秒以内的转写延迟，不过同一页面的模型介绍卡写的是 40 种以上。Voxtral Speech 3 支持 35 种以上语言和 50 多种方言，可以控制情绪、语速和重音，并能用 30 分钟以上的音频克隆声音。Mistral 文档里把语音合成模型叫作 Voxtral TTS 3 和 Voxtral TTS Realtime 3。

这次还推出了基于 LiveKit 的语音 Agent SDK，把实时转写、负责推理和调用工具的通用模型（比如 Mistral Small）以及 Voxtral Speech 3 串成一条流式管线，Mistral 称每一轮对话能在 1 秒内完成。Agent 可以通过 SIP 接打电话，也能通过 WebRTC 在浏览器和应用里运行。

Mistral 表示，Voxtral 3 可以通过欧洲、美国和全球的 API 端点使用，也可以部署在客户自己的基础设施上。发布文没有提到开放权重。截至北京时间 10 月 21 日 0:50，Mistral 的 Hugging Face 页面上只有旧版 Voxtral 模型。

Artificial Analysis 在北京时间 10 月 21 日 0:53 发帖说，Voxtral Small Transcribe 3 在其语音转文字榜上以 2.1% 的 AA-WER Index 排第 3，领先 2.2% 的 ElevenLabs Scribe v2 和 2.3% 的 Grok Voice Transcribe 2.0。Voxtral Mini Transcribe 3 以 2.2% 排第 5。流式转写方面，Voxtral Mini Transcribe Realtime 3 在 960 毫秒设定下的最终转写 AA-WER 为 3.3%，在 46 个模型中排第 6；480 毫秒设定下为 3.6%。在 Provider Voice 语音合成竞技场，Voxtral 3 TTS 的 Elo 为 1,218（1,599 场），在 98 个模型中排第 12。在 Controlled Voice 竞技场，同一模型 Elo 为 1,068（1,614 场），在 43 个模型中排第 12。发音稳健性为 84.4%，在 32 个模型中排第 13。