Mistral представила Voxtral 3 — набор голосовых моделей и инструментов, который объединяет распознавание речи, обработку диалога и синтез ответа. На его основе можно создавать агентов для звонков, взаимодействия с собственными системами и выполнения задач.

Система поддерживает распознавание более чем на 50 языках и синтез речи с настройкой звучания. Её можно использовать через API или развернуть на своей инфраструктуре.

• Распознавание включает разделение речи по говорящим, подсказки по терминам и определение конца реплики.
• Для синтеза можно настраивать эмоцию, темп и акцент; доступны клонирование голоса по 30 минутам записи и готовые голоса на 18 языках.
• Агенты могут принимать звонки через SIPi, работать в браузере по WebRTCi, вызывать функции и обращаться к системам пользователя.
• По данным Mistral, Voxtral 3 превосходит Whisper, Gemini 3.5 Transcribe и Scribe v2 в распознавании речи.
• Источник 2 сообщает о 50+ диалектах синтеза и задержке менее 500 мс; источник 1 указывает задержку менее секунды для диалогов в реальном времени.