专题 · FULL STORY

Mistral Voxtral 3 发布：语音全家桶冲榜

10月21日 Mistral 一次性发布 Voxtral 3 语音模型套件与 Voice Agents API，覆盖语音识别、合成与智能体构建。随后第三方与自测基准显示其 TTS 速度登顶、转写冲进前三，成为开源语音赛道新的强力竞争者。

2026-10-21 ~ 2026-10-22 · 2 集 · 17 条

第 1 集 · Mistral 发布 Voxtral 3 语音模型套件与 Voice Agents API(2026-10-21,11 条)

10 月 21 日，Mistral 发布 Voxtral 3 语音模型套件及 Voice Agents API，一次性覆盖语音识别、语音合成与语音智能体构建三个环节，是其向实时语音交互领域的完整布局。CEO Arthur Mensch 亲自宣布这套 SOTA 语音模型，并判断语音将成为 AI 系统最重要的交互界面；联合创始人 Guillaume Lample 也同步分享。

已确认

  • Voxtral 3 系列包含 1 个 TTS 模型和 3 个语音转写模型，配套推出新的 Voice Agents API（m1、m2、m3）
  • Arthur Mensch 提到 Mistral 将语音模型部署在推理模型物理相近的位置，以降低延迟（m2）
  • Artificial Analysis 实测：Voxtral Small Transcribe 3 以 2.1% 的词错率（AA 指标）在语音转写中进入前三；TTS 速度最快且价格更低（m3）
  • 同时提供基于 LiveKit 构建的语音 Agent SDK：Transcribe 负责监听，推理模型思考并调用工具，Speech 生成回复，三者流式串成一条管道实现自然对话，支持 50+ 语言实时多轮语音对话与深度工具调用集成，可端到端完成「听-推理-执行」工作流，官方演示了跨语言场景（m4、m8、m9、m10、m11）
  • ASR 转录分 Mini 与 Small 两档，均支持批量转录与实时流式；TTS 同样支持批量与流式（m9）
  • Voxtral Small Transcribe 3 在多语言转写、说话人分离和上下文偏置方面达到 SOTA 水平，并能检测说话人何时结束发言，让语音 agent 无延迟响应（m5）
  • Voxtral Mini TTS 3 在 35+ 种语言、50+ 种方言上实现 SOTA 级表现力；支持隐式指令跟随（从对话中读出情感、节奏和重音），也支持 [emotion=sad][pace=slow] 等显式标签逐行控制（m6）
  • Pro Voice 声音适配功能：录制最多 30 分钟音频，即可在所有支持的语言中以极高保真度复刻用户声音（m7）

尚未确认

  • SOTA 等性能宣称来自 Mistral 官方发布帖，目前仅 Artificial Analysis 一家第三方实测，更广泛的独立评测仍有待验证

为什么重要

  • Voxtral 3 将转写、推理、语音生成三者以流式管道串联，直接对标 OpenAI、Google 等厂商的实时语音 API，为开发者提供开箱即用的语音智能体方案
  • Artificial Analysis 实测中「转写进前三、TTS 速度最快且更便宜」的结论，显示其在性能之外还以性价比切入市场
  • 说话人结束发言检测与 35+ 语言、50+ 方言的覆盖，显示 Mistral 明确瞄准多语言实时语音助手市场；Pro Voice 声音克隆则补齐了个性化语音交互的关键能力

第 2 集 · Mistral 发布 Voxtral 3 语音系列，转写冲榜第三、TTS 拼速度(2026-10-21,6 条)

Mistral 于 10 月 21 日发布 Voxtral 3 语音系列，包含一个 TTS 模型和三个 STT（语音转文本）模型。Artificial Analysis 随即完成评测并更新其语音排行榜：转写侧成绩亮眼，TTS 侧以速度和价格取胜，但发音准确性存在短板。

已确认

  • Voxtral Small Transcribe 3 在非流式转写榜单以 2.1% AA-WER Index 位居第 3，超过 ElevenLabs Scribe v2（2.2%）和 Grok Voice。
  • 流式模型 Voxtral Mini Transcribe Realtime 3 提供两档延迟设置，均进入流式 STT 榜单上半区：480ms 延迟档 WER 为 3.6%。
  • Voxtral 3 TTS 生成速度达 112.3 字符/秒，远超 Eleven v4 Turbo，登顶速度榜；其价格仅为 Eleven v4 Turbo 的三分之一。
  • 在 Pronunciation Robustness 基准（考察 TTS 对挑战性文本的发音正确性，由人工评审评分）中，Voxtral 3 TTS 总分 84.4%，在 32 个模型中排第 13，精确序列保真成为短板。
  • Artificial Analysis 同步发布了 TTS/STT 排行榜与 Speech Arena 投票数据。

为什么重要

  • Voxtral 3 以低价高速度切入语音市场，直接对标 ElevenLabs 的旗舰产品线，为开发者提供了更具性价比的选项。
  • 转写质量进入榜单前三，显示 Mistral 已从纯文本模型扩展到语音多模态的一线竞争；但发音鲁棒性排名靠后提示其在难例文本上仍有差距，选型时需按场景权衡。