Voxtral 3 (TTS och Transcribe)

Voxtral 3 är en familj av talmodeller som Mistral AI presenterade i oktober 2026. Den består av transkriberingsmodellerna Voxtral Small Transcribe 3 och Voxtral Mini Transcribe 3 (4 miljarder parametrar), realtidsmodellen Voxtral Mini Transcribe Realtime 3, talsyntesmodellen Voxtral Mini TTS 3 och ett SDK för röstagenter byggt på LiveKit.

Transkriberingsmodellerna klarar över 50 språk, bland dem EU:s 24 officiella språk och flera asiatiska och indiska språk med lite träningsdata. De kan avgöra vem som säger vad (diarisering), ta emot nyckelord eller fritext som gör att namn och fackord blir rätt utan finjustering, och känna av när någon har pratat klart. Realtidsmodellen transkriberar med under en halv sekunds fördröjning i över 35 språk. Enligt Mistral slår Small-versionen Whisper, ElevenLabs Scribe v2 och Gemini 3.5 Transcribe i flerspråkig transkribering och diarisering.

Voxtral Mini TTS 3 talar över 35 språk och fler än 50 dialekter. Rösten anpassar känsla, tempo och betoning efter sammanhanget i texten, och man kan styra känsla, tempo och betoning med instruktioner samt ge uttalstips för ovanliga ord. Funktionen Pro Voice ska kunna efterlikna en talares särdrag och känsloregister utifrån ungefär 30 minuters ljud. Färdiga röster finns på 18 språk.

Röstagent-SDK:t kopplar ihop lyssning, resonemang med en språkmodell (till exempel Mistral Small), verktygsanrop och tal i en enda strömmande kedja, så att varje tur enligt Mistral tar under en sekund. Agenter kan ringa och ta emot samtal via SIP och köras i webbläsare via WebRTC.

Modellerna finns via Mistrals API (europeiska, amerikanska och globala ändpunkter) och kan på begäran köras på egen infrastruktur. Enligt Mistrals dokumentation är de i läget Public Preview. Någon öppen licens eller nedladdningsbara vikter för Voxtral 3 nämns inte; den tidigare Voxtral TTS från mars 2026 är en annan modell.