Mistral发布Voxtral 3：转写+合成+LiveKit语音Agent SDK，TTS $13/百万字符

Mistral发布Voxtral 3：转写+合成+LiveKit语音Agent SDK，TTS $13/百万字符

语音Agent的仗打到2026年，路线开始分岔。Mistral在10月20日抛出了Voxtral 3——但它不是“又一个语音大模型”，而是一整套语音栈：转写（Small/Mini Transcribe 3、Mini Transcribe Realtime 3）+合成（Mini TTS 3，也对外叫Voxtral Speech 3）+一个基于LiveKit的语音Agent SDK，把听、想、做、说串成一条实时流式流水线。几句判断先说在前面：其一，Mistral选的是“模块化拼接”路线——用转写、推理、合成三件套拼出语音Agent，而不是Eleven Realtime那种端到端speech-to-speech；好处是每一环都能单独换，代价是链路更长、延迟更吃工程；其二，定价是明牌：批量转写$0.0035/分钟起，合成$13/百万字符，整套语音Agent API $0.04–0.08/分钟，Mistral想把“高质量语音”从奢侈品压成基础设施；其三，“主权部署”是它对企业（尤其合规敏感的联络中心）的抓手——既能走Mistral的欧盟托管API，也能整体自部署；其四，数字要看清口径：50+语言主要指转写，合成是35+语言/50+方言，4.1% WER是厂商自报，“单轮500ms以内”也是官方口径，好不好要看第三方复现和真实负载。

它是什么：一整套语音栈，不是一个模型

先把Voxtral 3的构成说清楚，因为“模型族”这个词容易让人以为只是换了个大模型。按官方口径，这次发布的是几块拼在一起：转写侧有Voxtral Small Transcribe 3和Voxtral Mini Transcribe 3（批量），以及面向实时场景的Voxtral Mini Transcribe Realtime 3；合成侧是Voxtral Mini TTS 3，对外也常称Voxtral Speech 3；再把它们和某个推理模型缝起来的，是基于LiveKit的语音Agent SDK。Mistral给这套东西的描述是：把听、想、做、说合成一条可实时运行的流水线——转写模型负责“听”，推理模型负责“想”和调用工具，合成模型负责“说”，SDK负责把它们按流式方式串起来。换句话说，它卖的不是一个“更聪明的语音大脑”，而是一条“拿来就能跑”的语音Agent产线。

模型清单与定价：把“高质量语音”压成基础设施

定价是这次最直观的一张牌，官方给出的价目表如下。

几个读法。第一，转写按分钟计费，而且分档清楚：Mini批量$0.0035/分钟最便宜，Small $0.0040/分钟是质量档，实时Mini $0.008/分钟最贵——实时就要为“即时”多付一倍多。第二，合成按字符计费，Voxtral Speech 3统一$13/百万字符，且批处理和实时走同一套API，省一套对接。第三，最省事的是“整套语音Agent API”：直接按分钟打包（搭Mistral自家Small 4推理$0.04/分钟，换别的推理模型$0.08/分钟），等于把转写、推理、合成、编排一并卖。把这几个数字和Eleven Realtime那类端到端方案放一起看，Mistral的打法很明确：不追求单点最猛，而是用“模块可换+明码标价+能自部署”把总拥有成本压下来——所谓“可负担的高质量语音栈”，重心其实落在“可负担”这三个字上。

流水线怎么跑：听→想→做→说

把这几块拼起来后，一次对话大致是这样流动的。

图：Voxtral 3的实时语音Agent流水线（听→想→做→说）

用户语音
  ↓ 转写（Transcribe 3，50+语言）
文本
  ↓ 推理（Mistral Small 4等LLM）+ 工具调用
回复文本 / 动作
  ↓ 合成（Speech 3，35+语言·50+方言）
回复语音（流式，单轮<500ms）

说明：图示Voxtral 3语音Agent流水线（依据Mistral官方定价表与多家媒体报道）：转写模型把语音转文本、推理模型思考并调用工具、合成模型把回复转回语音，由基于LiveKit的语音Agent SDK串成一条实时流式流水线；Mistral称单轮延迟在500ms以内。延迟与多语言数字为官方口径，实际受网络与部署方式影响。

关键在于“缝起来”的这层——基于LiveKit的语音Agent SDK。它负责在转写、推理、合成之间做实时编排：边转写边送推理、推理边出文本边送合成、工具调用该插就插，还要处理打断、轮流这些语音特有的麻烦。Mistral称单轮延迟能压到500ms以内。这也解释了它为什么选LiveKit而不是自己从零写一套实时传输——实时音视频的传输、抖动缓冲、打断恢复这些脏活，交给成熟的SDK更划算，自己只专注模型和编排。代价是链路被拉长：转写、推理、合成三段各自耗时，延迟是加出来的，不像端到端speech-to-speech那样理论上一步到位；所以“500ms以内”能不能兑现，很吃工程调优。

语言、延迟、基准与主权部署

还有几组数字要分开说，因为它们口径不同。语言上，转写支持50+种语言，官方特别提到覆盖24种欧盟官方语言和不少低资源的亚洲、印度语言；合成（Speech 3）是35+种语言、50+多种方言，还带情感自适应。可见“50+语言”主要是转写的成绩，合成没那么广，别混着念。延迟上，官方口径是单轮亚秒级、500ms以内，这是厂商说法。基准上，AICoder转述的厂商自报是：Voxtral Small Transcribe 3在45种FLEURS语言上的macro WER为4.1%（强制语种）/4.0%（推断语种），称与Microsoft AI Transcribe 2持平、优于Scribe v2（4.9%）和Whisper large-v3（16.0%/14.9%）——这是厂商自报，不是独立第三方评测，引用要留神。最后是Mistral的差异化牌“主权部署”：这条流水线既能走Mistral的欧盟托管API（也有US/Global），也能整体自部署到企业自己的机房，数据不出门。对联络中心、客服台这类对延迟和数据合规都敏感的场景，这一条往往比模型分数更决定买不买。

诚实边界

几句话把口径摆正。其一，来源为Mistral官方（公告与定价表）及第三方报道，发布时间2026-10-20；官方公告页暂缺直接核对，定价等数字以Mistral官方定价表为准，并经多家媒体交叉印证。其二，定价为官方口径：转写$0.0035/分钟起（实时$0.008/分钟），合成（Voxtral Speech 3）$13/百万字符，语音Agent API $0.04/分钟（搭Mistral Small 4）或$0.08/分钟（搭其他推理模型）；实际计费可能随地区与用量变化。其三，“50+语言”主要指转写，合成为35+语言、50+方言。其四，“单轮500ms以内/亚秒级”为厂商口径，实际受网络、部署与并发影响。其五，“FLEURS45语言macro WER4.1%、与Microsoft AI Transcribe 2持平、优于Whisper large-v3”等为厂商自报基准，非独立第三方评测，引用须注明。其六，本文仅做技术解读与口径澄清，不给任何一方选型或采购建议。

这意味着什么：语音Agent基建开始分岔

把Voxtral 3和前几天的Eleven Realtime放一起看，会发现语音Agent的基建正在分成两路：一路是端到端speech-to-speech，把识别、推理、合成焊进一个模型，赌的是“一步到位的顺”；另一路就是Mistral选的模块化拼接，转写、推理、合成各是一环，赌的是“每一环都能换、总成本可控、还能自己部署”。两条路没有绝对优劣，但Mistral的赌注押在了一个很具体的判断上——企业语音（联络中心、客服、预约这类“电话入口”）还没被充分瓜分，而撬动它的杠杆不是模型分数，是价格、合规和部署自主权。低价+欧盟托管/自部署，正是冲着数据敏感型企业去的。当然，模块化路线的软肋也实在：链路更长，延迟和一致性更吃工程；4.1% WER、500ms这些漂亮数字都是厂商口径，到底能不能在真实噪声环境、真实并发下兑现，得靠开发者自己上手和第三方评测来回答。语音这摊水，现在才刚烧开。