多語言轉錄技術突破與基準測試數據

Voxtral Small Transcribe 3 被宣稱在多語言轉錄、說話人分離（Diarization）及上下文偏置（Context-biasing）方面達到最先進水準。該模型支援超過 50 種語言，涵蓋 24 種歐盟官方語言以及多種低資源的亞洲與印度語系。

在 FLEURS 基準測試中，Voxtral Small Transcribe 3 的強制詞錯誤率（WER）為 4.1%，推斷模式為 4.0%。相比之下，Whisper large-v3 的數據分別為 6.3% 與 5.6%，Gemini 3.5 Transcribe 則為 4.9% 與 4.9%。

在說話人分離任務中，Voxtral Small Transcribe 3 的連接最小排列詞錯誤率（cpWER）為 18.4%，優於 Pyannote Orchestrator (Precision 3) 的 20.3% 與 Microsoft AI Transcribe 2 的 23.0%。

Voxtral Mini Transcribe 3 參數規模為 4B，主打低成本與快速轉錄，定價為每分鐘 0.0035 美元。兩款模型均支援上下文偏置功能，允許開發者提供關鍵詞或自由格式文本以提升特定領域術語的召回率，無需進行微調即可用於生產環境。

即時語音代理 SDK 架構與工作流程

Voxtral 3 推出基於 LiveKit 構建的語音代理 SDK，將聆聽、推理、工具調用與說話整合為單一的即時串流管線。該架構允許各階段並行處理，確保單輪對話完成時間低於一秒，且當使用者打斷時代理能立即停止說話。

系統由 Voxtral Mini Transcribe Realtime 3 負責聆聽與偵測語音結束點（End-of-turn detection），結合通用模型如 Mistral Small 進行推理與工具調用，最後由 Voxtral Speech 3 以符合對話語氣的語音回應。

代理可在通話過程中驗證身分、查詢帳單或預約行程，透過函數調用、網路搜尋及檢索企業內部系統資料來執行任務。它支援 SIP 電話與 WebRTC 瀏覽器應用，並能連接現有的電話系統、IVR 與客服中心軟體。

由於各階段由獨立模型組成，開發者可單獨更換大型語言模型、語音引擎或語言設定，而無需重寫整個代理邏輯。整套堆疊可運行於 Mistral 的歐洲 API 或使用者自有基礎設施上。

具備情緒適應性的語音生成與音色複製

Voxtral Mini TTS 3.0 支援超過 35 種語言與 50 種方言，並提供批次處理與即時模式。該模型能隱式解讀上下文語義，自動調整情緒、節奏與重音，以產生更自然的語音輸出。

在 Voice Code Bench 測試中，Voxtral TTS 在企業客服常見失敗場景（如數字與獨特名稱）的忠實度表現優於 ElevenLabs v4、Inworld TTS-2 及 OpenAI gpt-4o-mini-tts 等競品。

Pro Voice 功能允許僅使用 30 分鐘音訊即可複製說話者的音色、情緒範圍與說話風格，並跨語言保持一致性。此外，模型支援從 30 分鐘以上採樣音訊進行標準語音克隆，並提供自訂提示指令遵循（IF）以控制情緒、節奏與重音。

Voxtral TTS 定價為每百萬字元 13 美元，Mistral 宣稱其運行成本低於 OpenAI TTS-1、Deepgram、ElevenLabs Flash 及 Gemini Flash 等可比模型。

部署選項與定價策略

Voxtral 3 系列模型已透過 Mistral API 提供，託管於歐洲、美國及全球端點。企業也可選擇私有化部署或本地運行，以確保敏感對話資料保留在自有環境中並控制音訊留存政策。

具體定價如下：Voxtral Mini Transcribe 3（批次）為每分鐘 0.0035 美元；Voxtral Small Transcribe 3 為每分鐘 0.0040 美元；Voxtral Mini Transcribe Realtime 3 為每分鐘 0.008 美元；Voxtral Speech 3（批次與即時）為每百萬字元 13 美元。

開發者可在 Studio Playground 中測試語音代理、音訊轉錄、語音生成及音色複製功能。對於需要在本地或私有雲運行完整堆疊的客戶，需聯繫 Mistral 團隊洽談。