Voxtral 3: Sprachmodelle und SDK für Echtzeit-Agenten
mistral ·
Mistral hat Voxtral 3 eingeführt, eine neue Familie von Sprachmodellen und ein Voice-Agent-SDK, das für Echtzeit-Konversationen mit mehreren Schritten in mehr als 50 Sprachen konzipiert ist. Die Suite umfasst state-of-the-art-Transkriptionsmodelle, die Diarisierung und Kontext-Biasing unterstützen, sowie Text-zu-Sprache-Funktionen, die Emotion und Sprechtempo an den Konversationskontext anpassen. Eine Schlüsselinnovation ist die Integration von Hören, Reasoning, Tool-Aufrufen und Sprechen in einen einzigen Streaming-Pipeline, wodurch Agents in der Lage sind, mit einer Latenz von unter einer Sekunde zu antworten. Diese Architektur ermöglicht es Voice-Agents, komplexe Workflows wie Terminbuchungen oder Identitätsverifizierungen zu bearbeiten und dabei natürliche, menschenähnliche Interaktionen aufrechtzuerhalten. Die Technologie unterstützt über 35 Sprachen und 50 Dialekte und bietet Voice-Cloning ab nur 30 Minuten Audio für professionelle Anwendungsfälle. Organisationen können diese Tools über Mistras in der EU gehostetes API nutzen oder sie in eigener Infrastruktur bereitstellen, um Datenhoheit zu gewährleisten. Die Preise beginnen bei 0,0035 US-Dollar pro Minute für Batch-Transkription und 13 US-Dollar pro Million Zeichen für die Spracherzeugung. Mit dieser Veröffentlichung zielt Mistral darauf ab, zuverlässige, ausdruckstarke und sichere Voice-AI-Lösungen für Contact-Center und virtuelle Assistenten bereitzustellen.
mistral