Mistral AI запустила Voxtral 3 — сімейство моделей для голосових агентів, де транскрибація, міркування, виклик інструментів і синтез мовлення зведені в один стримінговий пайплайн. Стартова ціна транскрибації — $0,0035 за хвилину.

Для команди, яка будує голосовий продукт, суть тут в іншому: замість окремих STT, LLM-оркестратора, TTS і коду, який склеює їх у розмову, — один SDK. За даними The Decoder, Mistral дозволяє запускати стек на власній інфраструктурі або через API, розміщені в ЄС.

Команді не доведеться збирати операційний шар: маршрутизацію аудіо, синхронізацію сесій, обробку інструментів під час розмови — саме на ньому білдери витрачають час до першого робочого голосового прототипу.

Що входить у стек Voxtral 3?

Voxtral 3 складається з трьох частин: моделі транскрибації Voxtral Small Transcribe 3, моделі синтезу мовлення Voxtral Mini TTS 3 та SDK для голосових агентів на базі LiveKit. SDK зв'язує їх так, що слух, міркування, робота з інструментами й говоріння відбуваються в одному потоці, а не як послідовність окремих запитів.

Агент може під час живої розмови звернутися до зовнішньої системи: записати клієнта на прийом або перевірити суму рахунку. Це та частина, заради якої голосові агенти взагалі цікаві білдеру — голос, який лише відповідає на питання, легко замінити FAQ-ботом.

Скільки це коштує тепер?

Mistral опублікувала стартову ціну лише для транскрибації — $0,0035 за хвилину. Для синтезу мовлення та SDK окремої публічної ціни в анонсі немає, тому повну вартість голосового трафіку доведеться рахувати в документації, а не «на око».

Два шляхи розгортання. Перший — API з дата-центрів у ЄС, щоб дані залишалися під вашим контролем. Другий — власні сервери, де ви платите за залізо й інженерію, а не за хвилини. Якщо GPU-парк у вас уже є, дешевший інференс рахується окремо.

Наскільки добре працюють мови?

Voxtral Small Transcribe 3 розпізнає мовлення більш ніж у 50 мовах, а Voxtral Mini TTS 3 синтезує мовлення у понад 35 мовах і 50 діалектах з емоційною адаптацією. Обидві цифри заявлені виробником: незалежних вимірів якості, частоти помилок транскрибації чи затримки в анонсі немає.

Емоційна адаптація в TTS означає, що інтонація підлаштовується під контекст розмови. За нашою оцінкою, це впливає на сприйняття розмови: жива інтонація відчувається надійніше за рівний тон. Але «50 мов» не означає «50 мов однаково добре» — українську та змішану українсько-англійську доведеться міряти власним тестовим набором.

Чого немає в релізі?

У анонсі не згадано телефонний шар. Його, імовірно, доведеться підключати самостійно — це знову інтеграційна робота, тільки вже не всередині SDK.

Публічних даних про затримку до першого звуку, стабільність інструментів під час довгої розмови та поведінку при перериванні користувачем теж немає. Для пілотів цього достатньо, для контрактів зі SLA — поки ні.

Що робити зараз?