20 октября 2026 года MarkTechPost сообщил о выпуске Mistral Voxtral 3 — семейства из трёх моделей транскрибации, одной модели синтеза речи и SDK для голосовых агентов на базе LiveKit. Для разработчиков это единый сценарий: распознать речь, передать текст языковой модели для рассуждений и вызова инструментов, а затем озвучить ответ. Источник: MarkTechPost.
Состав Voxtral 3
В публикации перечислены Voxtral Mini Transcribe 3 для пакетной транскрибации, Voxtral Small Transcribe 3, потоковая Voxtral Mini Transcribe Realtime 3 и Voxtral Speech 3 для синтеза речи. SDK описан как связка распознавания, LLM с вызовом инструментов и генерации голосового ответа. Компоненты можно заменять: разработчик может выбрать отдельную языковую модель или голосовой слой.
Для телефонии указана работа через SIP, а для браузерных и приложенческих сессий — через WebRTC. MarkTechPost также сообщает о прерывании речи агента при перебивании собеседником и о завершении хода менее чем за секунду; это заявленные возможности продукта, а не независимый тест.
Цены моделей и SDK
Пересказанная MarkTechPost таблица Mistral указывает цену пакетной Voxtral Mini Transcribe 3 в $0,0035 за минуту, Voxtral Small Transcribe 3 — $0,004 за минуту, а потоковой Voxtral Mini Transcribe Realtime 3 — $0,008 за минуту. Voxtral Speech 3 стоит $13 за миллион символов в пакетном и потоковом режимах.
В статье также упоминается тариф голосового агентского API, но доступный фрагмент не содержит полного контекста его применения и тарификации. Поэтому точную цену SDK отдельно фиксировать нельзя. Указанные суммы относятся к пересказу публикации, а не к счёту, проверенному редакцией.
Что показывают показатели распознавания
Для Voxtral Small Transcribe 3 MarkTechPost приводит 2,1% AA-WER, а для Mini — 2,2%; Small названа третьей в рейтинге Artificial Analysis. В этой части источник прямо связывает показатель и рейтинг с Artificial Analysis, тогда как другие сравнительные результаты в статье приписаны Mistral.
В тесте FLEURS 35 для потоковой модели указаны 5,7% WER при задержке 2400 мс, 6,4% при 480 мс и 7,4% при 240 мс. Для Gemini 3.5 Realtime Transcribe в той же публикации приведено 4,2%. В пределах этих заявленных результатов более короткая задержка Voxtral сопровождается большим числом ошибок, поэтому режим нужно выбирать под цену ошибки и требования к отклику.
Кому пригодится конвейер
Сценарий голосового агента состоит из четырёх шагов:
- Речь поступает из SIP-телефонии или WebRTC-сессии.
- Модель транскрибации превращает её в текст.
- LLM обрабатывает запрос и при необходимости вызывает инструмент.
- Voxtral Speech 3 синтезирует ответ для собеседника.
Такой конвейер может быть полезен для справочной линии, голосового интерфейса к внутренней системе или веб-сервиса с разговорным управлением. Наличие SDK и вызова инструментов само по себе не доказывает автономность: разработчику всё равно нужны правила доступа, обработка ошибок и контроль опасных операций.
Ограничения сообщения
Доступный материал MarkTechPost датирован 20 октября 2026 года в тексте страницы, тогда как метаданные источника указывают 21 октября; отдельная дата релиза в нём не подтверждена. Первичный анонс Mistral и документация SDK в исследовательских данных отсутствуют. Независимых испытаний Comrad404 нет, поэтому приведённые цены, состав и характеристики следует воспринимать как сведения из публикации, а сравнительные результаты — с указанной атрибуцией Mistral или Artificial Analysis.
