Mistral Voxtral 3：Mistral 专为语音转录、TTS 及智能体打造的语音模型

作者小编

2026-10-22 2 分钟阅读

Mistral 专为语音转录、TTS 及智能体打造的语音模型

Voxtral 3 是 Mistral 全新推出的语音转文字与文字转语音模型系列，并附带基于 LiveKit 构建的语音智能体 SDK。该系列支持 50 多种语言的转录，具备说话人分离与上下文偏好设置功能，实时转录延迟低于 500 毫秒。TTS 引擎可自适应调节情感与语速，仅需 30 分钟以上的音频即可实现高保真声音克隆。批量转录服务低至每分钟 0.0035 美元，所有模型均通过 Mistral API 开放调用。

小编简评： 在生成式 AI 浪潮席卷全球的当下，Mistral Voxtral 3 无疑为语音交互赛道注入了一剂强心针。作为 Mistral 最新一代多模态语音模型家族，它巧妙融合了高精度语音识别与自然流畅的 TTS 技术，彻底打破了传统语音处理的性能瓶颈。其核心亮点在于极致的实时性——500 毫秒内的超低延迟转录，配合 50 余种语言支持与精准的说话人分离功能，让跨国会议与多语种内容创作变得前所未有的高效。更令人惊艳的是其情感化 TTS 引擎，不仅能根据文本语境自动匹配语气节奏，仅需 30 分钟样本即可完成声音克隆，极大降低了个性化语音定制门槛。结合基于 LiveKit 的语音智能体 SDK，开发者可轻松搭建具备深度交互能力的 AI 客服或虚拟助手。无论是初创团队还是大型企业，都能通过 Mistral API 以极低的边际成本快速落地智能化场景。Voxtral 3 不仅是一次技术迭代，更是向“无感语音交互”时代迈进的关键一步，值得每一位关注 AI 语音应用的技术决策者重点关注。

用户评价：
　　“实时转录速度真的快，开会记录完全没压力！”
　　“声音克隆效果很自然，情感表达也很到位。”
　　“API 接入很顺畅，批量处理成本低，推荐！”
　　“多语言支持太实用了，跨文化沟通神器。”

关键词：#Mistral Voxtral 3 #Artificial Intelligence #人工智能

官方网站： Mistral Voxtral 3

英文介绍： Mistral’s speech models for transcription, TTS and agents

Voxtral 3 is Mistral’s new family of speech-to-text and text-to-speech models, plus a voice agent SDK built on LiveKit. Transcription covers 50+ languages with diarization and context biasing, and realtime transcription runs under 500ms. TTS adapts emotion and pacing, with voice cloning from 30+ minutes of audio. Batch transcription starts at $0.0035 per minute, and the models are available through Mistral’s API.

以下是产品图片：