Voxtral 3: Mistral costruisce uno stack per gli agenti vocali
Voxtral 3 di Mistral porta modelli di trascrizione e sintesi vocale e un SDK per agenti vocali, da 0,0035 USD al minuto. Cosa sa fare e quanto costa.
Questo articolo in altre lingue:العربيةDeutschEnglishEspañolFrançais日本語Polski简体中文
In questo articolo
Il 20 ottobre Mistral ha pubblicato Voxtral 3, una nuova famiglia di modelli speech-to-text e text-to-speech, insieme a un SDK per creare agenti vocali. Tutto è disponibile tramite l’API di Mistral, e nel thread su Hacker News l’annuncio ha raccolto quasi 500 punti.
Cosa c’è di nuovo in Voxtral 3?
Secondo l’annuncio, Voxtral 3 è composto da quattro modelli e un SDK:
- Voxtral Small Transcribe 3 – il modello di trascrizione più preciso, con riconoscimento dei parlanti (la cosiddetta «diarization»), suggerimenti per i termini tecnici e rilevamento della fine del turno.
- Voxtral Mini Transcribe 3 – un modello più piccolo (4B parametri) per la trascrizione.
- Voxtral Mini Transcribe Realtime 3 – trascrizione in tempo reale con latenza sotto i 500 ms, pensata per gli agenti.
- Voxtral Speech 3 – sintesi vocale con controllo di emozione, ritmo ed enfasi. Secondo la documentazione del modello, il primo suono arriva dopo circa 90 ms.
A questo si aggiunge un SDK per agenti vocali basato su LiveKit. Ascolto, ragionamento, chiamate agli strumenti e parlato funzionano in un unico flusso e, secondo Mistral, ogni turno della conversazione viene elaborato in meno di un secondo. L’agente può usare la ricerca web e i dati dei nostri sistemi, e ci si può collegare tramite SIP (cioè un normale telefono) o WebRTC.
Voxtral Speech 3 sa anche clonare le voci. Per la clonazione di base servono più di 30 minuti di registrazioni, mentre per l’uso professionale Mistral offre la cosiddetta «Pro Voice», che secondo l’annuncio restituisce anche lo stile caratteristico di chi parla.
Quanto costa Voxtral 3?
Prezzi dall’annuncio:
| Modello | Prezzo |
|---|---|
| Voxtral Small Transcribe 3 | 0,004 USD al minuto |
| Voxtral Mini Transcribe 3 | 0,0035 USD al minuto |
| Voxtral Mini Transcribe Realtime 3 | 0,008 USD al minuto |
| Voxtral Speech 3 | 13 USD per 1 milione di caratteri |
| API per agenti vocali | 0,04 USD al minuto (con Mistral Small 4) o 0,08 USD al minuto (con un altro modello) |
Un’ora di trascrizione con il modello più piccolo costa quindi circa 21 centesimi. Mistral si confronta qui con Whisper, ElevenLabs, Deepgram e Gemini, ma si tratta solo di misurazioni dell’azienda stessa, quindi aspetterò test indipendenti prima di giudicare.
Voxtral 3 supporta l’italiano?
Sì, almeno nella trascrizione. Secondo l’annuncio, i modelli speech-to-text supportano oltre 50 lingue, comprese tutte le 24 lingue ufficiali dell’UE, secondo il benchmark FLEURS.
Con la sintesi vocale è meno chiaro. L’annuncio parla di oltre 35 lingue e 50 dialetti nella libreria di voci, ma la scheda del modello nella documentazione indica 9 lingue (prova la voce nella tua lingua nel playground prima di costruirci sopra qualcosa).
C’è qualcosa che non va?
Sì, ed è proprio ciò che domina la discussione su Hacker News. I precedenti modelli Voxtral avevano pesi aperti (ad esempio Voxtral Mini 3B su Hugging Face), ma l’annuncio di Voxtral 3 non menziona né pesi né licenza. Mistral parla di «self-deployment on your own infrastructure», ma il deployment on-premise richiede di contattare il reparto vendite. Un commentatore l’ha riassunto in breve: «Closed model unfortunately».
Anche i giudizi sulla qualità sono contrastanti. Alcuni lodano la trascrizione e il riconoscimento dei parlanti delle versioni precedenti, altri scrivono che le nuove voci della demo suonano più artificiali e per la trascrizione in locale consigliano Parakeet. Prendiamo quindi l’annuncio con cautela finché non vedremo test più ampi.
Come provare Voxtral 3?
Abbiamo due strade:
- I playground di Mistral Studio – lì si possono testare trascrizione, sintesi vocale, clonazione della voce e agenti vocali, dopo aver effettuato l’accesso alla console di Mistral.
- API – generiamo la chiave nella console, e i dettagli sono nella documentazione audio. Gli endpoint funzionano nell’UE, negli USA e a livello globale.
Se cerchiamo qualcosa da far girare in locale, Voxtral 3 non fa al caso nostro (almeno per ora). Meglio allora ricorrere alle versioni precedenti e aperte ed eseguire l’AI in locale. E chi sta costruendo un agente vocale veloce può confrontare Voxtral 3 con Mercury Voice, presentato da Inception insieme a Mercury 3.
FAQ
Voxtral 3 è open source?
Per ora nulla lo fa pensare. L’annuncio non indica licenza né link ai pesi, e il deployment sulla propria infrastruttura richiede di contattare Mistral. I pesi aperti li hanno i modelli Voxtral precedenti.
Quanto costa la trascrizione con Voxtral 3?
Da 0,0035 USD al minuto (Voxtral Mini Transcribe 3) a 0,008 USD al minuto in modalità in tempo reale. La sintesi vocale costa 13 USD per milione di caratteri.
In cosa Voxtral 3 è diverso dal Voxtral precedente?
Le versioni precedenti erano modelli separati per la trascrizione o la sintesi vocale, in gran parte con pesi aperti. Voxtral 3 è un’intera famiglia di modelli più un SDK per agenti vocali, disponibile tramite API.