Voxtral 3 dari Mistral satukan model suara dengan SDK voice agent di bawah satu detik

Voxtral 3 dari Mistral adalah sekumpulan model suara yang dipasangkan dengan SDK voice agent yang merangkai mendengar, bernalar, memanggil tool, dan berbicara dalam satu alur real-time. Di sisi input, model transkripsinya mencakup lebih dari 50 bahasa dengan diarisasi pembicara dan context biasing untuk kosakata domain, sementara varian realtime menargetkan latensi di bawah 500ms pada 35 bahasa atau lebih. Di sisi output, model text-to-speech-nya menangani 35+ bahasa dan 50+ dialek dengan kontrol emosi, tempo, dan penekanan, plus voice cloning dari sekitar 30 menit audio. SDK-nya dibangun di atas LiveKit, berjalan lewat SIP dan WebRTC, serta mendukung function calling dan retrieval atas data Anda sendiri, dengan klaim Mistral bahwa tiap giliran rampung di bawah satu detik.

Harga adalah bagian paling jelas dari tawarannya. Transkripsi batch mulai $0,0035 per menit, model realtime $0,008, text-to-speech $13 per sejuta karakter, dan API voice agent $0,04 per menit bila dipadukan dengan Mistral Small 4 untuk reasoning, atau $0,08 dengan model lain. Klaim benchmark berasal dari vendor, jadi baca dengan hati-hati: Mistral menyebut Small Transcribe 3 miliknya unggul dalam transkripsi multibahasa dan diarisasi atas Whisper, ElevenLabs Scribe v2, dan Gemini 3.5 Transcribe, dengan cpWER diarisasi 18,4% dan keyphrase recall pada set Earnings 22 naik ke 94,6% dengan konteks dibanding 81,4% tanpanya. Model ditawarkan lewat API yang di-host di Uni Eropa dengan opsi self-deployment di infrastruktur Anda sendiri.

Kenapa ini penting

Jika Anda membangun asisten suara atau perkakas contact-center, ini adalah stack yang lebih murah, di-host di UE, dengan giliran berlatensi rendah dan opsi on-premises, hal yang penting bagi tim dengan aturan residensi data. Angka transkripsi dan diarisasinya berasal dari Mistral sendiri, jadi langkah praktisnya adalah mengujinya terhadap vendor suara Anda saat ini memakai audio Anda sendiri sebelum memutuskan.