Voxtral 3: Mistral baut einen Tech-Stack für Sprachagenten
Voxtral 3 von Mistral bringt Modelle für Spracherkennung und Sprachsynthese plus ein SDK für Voice Agents, ab 0,0035 USD pro Minute. Mehr zu Funktionen und Preisen.
Dieser Artikel in anderen Sprachen:العربيةEnglishEspañolFrançaisItaliano日本語Polski简体中文
In diesem Artikel
Am 20. Oktober hat Mistral Voxtral 3 veröffentlicht, eine neue Modellfamilie für Speech-to-Text und Text-to-Speech, zusammen mit einem SDK für Sprachagenten. Alles ist über die Mistral-API verfügbar, und im Thread auf Hacker News hat die Ankündigung fast 500 Punkte gesammelt.
Was ist neu in Voxtral 3?
Laut Ankündigung besteht Voxtral 3 aus vier Modellen und einem SDK:
- Voxtral Small Transcribe 3 – das genaueste Transkriptionsmodell, mit Sprechererkennung (sog. „Diarization“), Hinweisen für Fachbegriffe und Erkennung des Äußerungsendes.
- Voxtral Mini Transcribe 3 – ein kleineres Modell (4B Parameter) für die Transkription.
- Voxtral Mini Transcribe Realtime 3 – Live-Transkription mit einer Latenz unter 500 ms, gedacht für Agenten.
- Voxtral Speech 3 – Sprachsynthese mit Steuerung von Emotion, Tempo und Betonung. Laut Dokumentation des Modells kommt der erste Ton nach etwa 90 ms.
Dazu kommt ein SDK für Sprachagenten, das auf LiveKit aufbaut. Zuhören, Schlussfolgern, Tool-Aufrufe und Sprechen laufen in einem einzigen Stream, und laut Mistral wird jede Gesprächsrunde in weniger als einer Sekunde verarbeitet. Der Agent kann die Websuche und Daten aus unseren eigenen Systemen nutzen, verbinden kann man sich per SIP (also über ein normales Telefon) oder WebRTC.
Voxtral Speech 3 kann außerdem Stimmen klonen. Für das einfache Klonen braucht es über 30 Minuten Aufnahmen, für den professionellen Einsatz bietet Mistral die sog. „Pro Voice“, die laut Ankündigung auch den charakteristischen Stil des Sprechers wiedergibt.
Was kostet Voxtral 3?
Preise aus der Ankündigung:
| Modell | Preis |
|---|---|
| Voxtral Small Transcribe 3 | 0,004 USD pro Minute |
| Voxtral Mini Transcribe 3 | 0,0035 USD pro Minute |
| Voxtral Mini Transcribe Realtime 3 | 0,008 USD pro Minute |
| Voxtral Speech 3 | 13 USD pro 1 Mio. Zeichen |
| API für Sprachagenten | 0,04 USD pro Minute (mit Mistral Small 4) oder 0,08 USD pro Minute (mit einem anderen Modell) |
Eine Stunde Transkription mit dem kleinsten Modell kostet also rund 21 Cent. Mistral vergleicht sich hier mit Whisper, ElevenLabs, Deepgram und Gemini, aber das sind ausschließlich eigene Messungen des Unternehmens, deshalb warte ich mit meinem Urteil auf unabhängige Tests.
Unterstützt Voxtral 3 Deutsch?
Ja, zumindest bei der Transkription. Laut Ankündigung unterstützen die Speech-to-Text-Modelle über 50 Sprachen, darunter alle 24 Amtssprachen der EU, gemessen am FLEURS-Benchmark.
Bei der Sprachsynthese ist es weniger klar. In der Ankündigung ist von über 35 Sprachen und 50 Dialekten in der Stimmenbibliothek die Rede, aber die Modellkarte in der Dokumentation nennt 9 Sprachen (prüf die Stimme in deiner Sprache im Playground, bevor du darauf etwas aufbaust).
Gibt es einen Schwachpunkt?
Ja, und genau der dominiert die Diskussion auf Hacker News. Frühere Voxtral-Modelle hatten offene Gewichte (z. B. Voxtral Mini 3B auf Hugging Face), aber die Ankündigung zu Voxtral 3 erwähnt weder Gewichte noch eine Lizenz. Mistral schreibt von „self-deployment on your own infrastructure“, doch eine On-Premise-Bereitstellung erfordert den Kontakt zum Vertrieb. Ein Kommentator fasste es kurz zusammen: „Closed model unfortunately“.
Auch die Qualitätsurteile sind gemischt. Manche loben die Transkription und Sprechererkennung früherer Versionen, andere schreiben, dass die neuen Stimmen in der Demo künstlicher klingen, und empfehlen für lokale Transkription Parakeet. Nehmen wir die Ankündigung also mit Vorsicht, bis wir breitere Tests sehen.
Wie kann man Voxtral 3 ausprobieren?
Es gibt zwei Wege:
- Playgrounds in Mistral Studio – dort lassen sich Transkription, Sprachsynthese, Stimmklonen und Sprachagenten testen, nach dem Login in die Mistral-Konsole.
- API – den Schlüssel erzeugen wir in der Konsole, die Details stehen in der Audio-Dokumentation. Die Endpunkte laufen in der EU, in den USA und global.
Wer etwas für den eigenen Rechner sucht, ist mit Voxtral 3 (zumindest vorerst) falsch. Dann greift man besser zu den älteren, offenen Versionen und führt KI lokal aus. Und wer einen schnellen Sprachagenten baut, kann Voxtral 3 mit Mercury Voice vergleichen, das Inception zusammen mit Mercury 3 vorgestellt hat.
FAQ
Ist Voxtral 3 Open Source?
Bisher deutet nichts darauf hin. Die Ankündigung nennt weder eine Lizenz noch Links zu Gewichten, und der Betrieb auf eigener Infrastruktur erfordert den Kontakt zu Mistral. Offene Gewichte haben die älteren Voxtral-Modelle.
Was kostet die Transkription mit Voxtral 3?
Von 0,0035 USD pro Minute (Voxtral Mini Transcribe 3) bis 0,008 USD pro Minute im Live-Modus. Die Sprachsynthese kostet 13 USD pro Million Zeichen.
Was unterscheidet Voxtral 3 vom vorherigen Voxtral?
Frühere Versionen waren getrennte Modelle für Transkription oder Sprachsynthese, größtenteils mit offenen Gewichten. Voxtral 3 ist eine ganze Modellfamilie plus SDK für Sprachagenten, verfügbar über die API.