Mistral veröffentlicht Sprachmodelle Voxtral 3 und ein Voice-Agent-SDK

Mistral hat die Familie Voxtral 3 am 20. Oktober 2026 veröffentlicht und verbindet präzise mehrsprachige Transkription, ausdrucksstarke Text-to-Speech und ein Echtzeit-Voice-Agent-SDK, das Zuhören, Schlussfolgern, Tool-Calling und Sprechen in einer Pipeline verarbeitet [1]. Die Modelle laufen über die EU-gehostete API von Mistral oder auf der eigenen Infrastruktur der Kunden [1].

Welche Transkriptionsmodelle hat Mistral ausgeliefert?

Mistral hat am 20. Oktober 2026 drei Transkriptionsmodelle der Reihe Voxtral 3 veröffentlicht, die bis zu 50 Sprachen unterstützen. Es handelt sich um Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3 und Voxtral Mini Transcribe Realtime 3 [1]. Das Mini-Modell verfügt über 4B Parameter und kostet 0,0035 $ pro Minute, während die Echtzeit-Variante eine Latenz unter 500 ms in über 35 Sprachen mit Diarisierung und Kontext-Biasing anstrebt [1].

Voxtral Small Transcribe 3 erzielt laut Benchmarks von Mistral State-of-the-Art-Ergebnisse bei Diarisierung und mehrsprachiger Transkription über 50 Sprachen einschließlich 24 offizieller EU-Sprachen und übertrifft dabei Whisper, Scribe v2 und Gemini 3.5 Transcribe [1]. Kontext-Biasing ermöglicht es Nutzern, Schlüsselbegriffe ohne Fine-Tuning bereitzustellen [1].

Wie funktionieren die neue TTS und das Voice-Cloning?

Mistral gibt an, dass Voxtral Mini TTS 3 mehr als 35 Sprachen und 50 Dialekte für 13 $ pro Million Zeichen unterstützt. Mistral bezeichnet das Modell auch als Voxtral Speech 3 und erklärt, dass die Stimmen Emotion, Tempo und Betonung an das Gespräch anpassen [1]. Für den professionellen Einsatz kann die Sprachadaption laut Mistral den Stil eines Sprechers aus 30 Minuten Audio reproduzieren [1].

Was ermöglicht das Voice-Agent-SDK?

Das neue Voice-Agent-SDK von Mistral basiert auf LiveKit und schließt jede Runde in weniger als einer Sekunde ab, so Mistral. Es führt Spracheingabe, Schlussfolgern und Sprachausgabe als eine Streaming-Pipeline aus, und der Agent hört auf zu sprechen, wenn der Anrufer dazwischenkommt [1]. Agents können Anrufe über SIP annehmen und tätigen sowie in Browsern und Apps über WebRTC laufen [1].

Wo können Entwickler Voxtral 3 ausführen?

Voxtral 3 ist über die Mistral API mit europäischen, US-amerikanischen und globalen Endpunkten verfügbar und kann selbst bereitgestellt werden [1][2]. Mistral gibt an, dass Organisationen steuern, wo Audio verarbeitet wird und ob Audio gespeichert bleibt [1]. Die Benchmark-Diagramme von Mistral, die Erfolge gegenüber Whisper, Scribe v2 und Gemini 3.5 Transcribe beanspruchen, sind eigene Evaluierungen [1].

Unsere Einschätzung

Meinung: Voxtral 3 schließt die Lücke zwischen Sprachschnittstellen und zuverlässigen Agent-Workflows, doch der eigentliche Test wird sein, ob die angegebene Genauigkeit und Latenz in unabhängigen Benchmarks Bestand haben.

Was wir nicht verifizieren konnten

• Unabhängige Bestätigung der Word-Error-Rate- und Diarisierungszahlen aus den Diagrammen von Mistral.
• Die genaue Latenzverteilung des Echtzeit-Modells unter Produktionslast.
• Ob die Gewichte von Voxtral 3 offen veröffentlicht werden; der Beitrag von Mistral beschreibt API-Zugang und Self-Deployment.
• Eine unabhängige Bewertung der Qualität der 30-minütigen Pro-Voice-Adaption.