Mistral 发布 Voxtral 3 语音模型家族与语音智能体 SDK

思考

摘要

Voxtral 3 推出了前沿的语音代理 SDK 和先进的语音模型，专为跨 50 多种语言的实时多步骤对话而设计。它结合了准确的转录、具有情感适应性的自然语音合成，以及深度工具集成，实现无缝工作流自动化。可通过 Mistral 的欧盟托管 API 或自行部署获取，确保数据主权，同时为联络中心、虚拟助手和免手提副驾驶提供低延迟、类人的交互。

语音转录和语音生成已经取得了长足进步，但构建能够倾听、推理、交互并处理复杂工作流的端到端语音代理仍然困难重重。 

一个可靠的语音代理需要在四个方面同时表现出色： 

1. 准确倾听，跨越语言、口音、说话人和打断，

2. 深入推理用户在特定语境中的意图，

3. 自然说话，带有情感和表达，以及 

4. 采取行动，通过连接的系统执行多个步骤。 

让这四者实时可靠地协同工作仍然是一个挑战。 

为了解决这个问题，我们推出了 Voxtral 3：一系列先进的语音转文本和文本转语音模型，以及一个语音代理 SDK，将倾听、思考、工具调用和说话整合到一个实时流式管道中。

Voxtral 3 旨在创造自然的对话体验，从联络中心代理和服务台到虚拟助手和免手提副驾驶。凭借对数十种语言的支持、富有表现力的语音、复杂的推理以及与您自己的工具和数据的深度集成，使用 Voxtral 构建的代理可以解读细微意图，推理复杂的请求，并在连接的系统上执行多步骤操作。

与其他 Mistral 模型一样，Voxtral 3 系列专为主权部署而设计。即日起可通过 Mistral 的欧盟托管 API 或自行部署在您自己的基础设施上获取，它让组织能够控制音频处理位置、数据处理方式以及对话是否保留。

亮点

1. 跨 50 多种语言的准确转录。语音转文本模型 Voxtral Small Transcribe 3 在多语言转录方面处于领先地位，能够识别谁说了什么（说话人分离），使用关键短语提高准确性（上下文偏置）。它能检测某人何时说完，以便代理即时响应（轮次结束检测）。

2. 适应对话的自然语音。文本转语音模型 Voxtral Mini TTS 3 引入了新语音，可根据对话上下文调整情感、语速和强调，支持 35 种以上语言和 50 种以上方言。

3. 以您的（语音）指令实现类人智能。新的语音代理 SDK 将倾听、推理、工具调用和说话结合为实时体验。代理可以在电话或网络的实时对话中检索信息、与业务系统交互并完成任务。

4. Pro Voice 实现极为精准的音色适配。对于基础语音克隆无法满足的专业用例，Voxtral 的 Pro Voice 适配功能仅需 30 分钟音频，即可跨语言复现说话者独特的音色特征、情感范围和说话风格。 

5. 你的语音 AI，部署在你自己的基础设施上。使用 Mistral 的欧盟托管 API，或将 Voxtral 3 部署在你自己的基础设施上。将敏感对话保留在你的环境内，并控制是否保留任何音频。 

立即试用 Voxtral  | 了解更多

它能够识别 50 多种语言，准确率达到业界领先水平。

Voxtral Transcribe 3 在转录、说话人分离（谁在何时发言）以及上下文偏置能力方面代表了一个重要的里程碑。支持的语言列表扩展至 50 种，包括 24 种欧盟官方语言以及许多低资源亚洲和印度语系语言。

Small 版本在说话人分离和多语言转录方面均达到业界领先水平，包括英语、法语和西班牙语。它优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。Mini 变体拥有 4B 参数，能够以 $0.0035/分钟的价格实现快速而准确的转录。

两款模型均支持上下文偏置，可提供关键术语和自由格式文本以偏置转录，并提高对技术术语的召回率。这使它们能够在具有领域特定词汇的生产环境中使用，而无需微调。

Voxtral Realtime Transcribe 3 是一款面向智能体用例构建的实时转录模型。它能在低于 500ms 的延迟下，对超过 35 种语言实现高质量转录，包括说话人分离和上下文偏置。

原生支持轮次结束预测，结合声学与语义信息，准确预测用户何时说完。这使低延迟语音智能体应用成为可能，同时将用户提前被打断时的误截断率降至最低。

它用恰当的情感作答，并以你或你客户品牌自己的声音和当地方言呈现。

Voxtral Mini TTS 3.0 提供批处理和实时两种模式，在 35+ 种语言和 50+ 种方言上实现了最先进的表现力和指令遵循能力。按每 100 万字符 13 美元计算，Voxtral Speech 3 的运行成本低于 OpenAI TTS-1、Deepgram、ElevenLabs Flash 和 Gemini Flash 等同类模型。

该语音模型能更隐式地解读上下文的语义含义，在丰富多样的情感和语言中生成自然语音。新增和改进的功能包括基于 30+ 分钟采样音频的语音克隆、自定义提示指令遵循（IF）、上下文 TTS 以及词汇库，所有这些都服务于部署中的语音可靠性目标。显式 IF 的变量包括 emotion、pacing 和 emphasis。

提示

让我们在此结束争论：是 GIF。

默认

非标准音素提示：dʒ ɪ f

所有听起来自然的语音都依赖情感，而情感决定其韵律、节奏、语速、强调和过渡。Voxtral TTS 原生解读提示文本的上下文以确定情感和语音风格，使模型天生更擅长自然语音，无需额外指令或语音提示。

展示 Voxtral 在表现力、数字和独特名称上的爬山式改进。

提示词

感谢您致电 Mistral！我了解您在登录 AI Studio 时遇到了困难。我可以确认一下您的电子邮箱地址吗？我这里看到的是 elena.vance82@yahoo.com，对吗？

Voxtral 1

Voxtral 3

语音在 35 种语言和 50 多种方言中听起来地道。

Voxtral TTS 支持超过 35 种语言和地区方言。我们的多语言评估遵循方言在发音、正式与非正式语域、拼写、冗长度以及区域惯例（时间、日期、温度、地址、货币）上的差异。

Voxtral 3 多语言库

语音预设支持 18 种语言：阿拉伯语（阿联酋、现代标准）、巴西（葡萄牙语）、加泰罗尼亚语、中文（普通话）、荷兰语、英语（美式、英式）、法语（法国）、德语、希腊语、印地语、意大利语、韩语、挪威语、俄语、西班牙语（西班牙）和越南语。

语音智能体掌控整个对话。

Voxtral 3 推出了一个基于 LiveKit 构建的语音智能体 SDK，将语音输入、推理和语音输出作为一条流式管道运行。Voxtral Mini Transcribe Realtime 3 负责聆听并检测来电者何时说完，一个通用模型——例如 Mistral Small——进行推理并调用工具，而 Voxtral Speech 3 则按迄今为止的对话语气进行回复。没有任何阶段需要等待前一阶段，因此每一轮都能在一秒内完成，并且当来电者插话时智能体会停止说话。

在通话过程中，智能体可以使用函数调用、网络搜索以及对你自己系统的检索来验证来电者身份、查询账单或预约。它通过 SIP 接听和拨打电话，通过 WebRTC 在浏览器和应用中运行，并可连接到你已在使用的电话、IVR 和联络中心软件。

每个阶段都是独立的模型，因此你可以更换 LLM、音色或语言，而无需重写智能体，并且可以在欧洲的 Mistral API 或你自己的基础设施上运行整个技术栈。

开始使用。

Voxtral 3 即日起可通过 Mistral API 使用，并托管在我们的欧洲、美国和全球端点。

你可以在 Studio 演练场中测试语音智能体、音频转录、语音生成和语音克隆。 

要在本地或私有云中运行整个技术栈，请联系我们的团队。