KI SpotlightNewsMistral stellt Voxtral 3 mit Voice-Agent-SDK vor
Neue Sprachmodellfamilie für Transkription und Sprachausgabe samt LiveKit-SDK; die Benchmarks stammen ausschließlich von Mistral
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Mistral stellt Voxtral 3 vor: Speech-to-Text- und Text-to-Speech-Modelle mit Voice-Agent-SDK.
- Das SDK vereint Zuhören, Denken, Tool-Calling und Sprechen in Echtzeit-Streaming.
- Veröffentlicht am 20. Oktober 2026; Guillaume Lample kündigte das Release auf X an.
- Verfügbar über Mistrals EU-gehostete API oder zum Selbst-Deployment auf eigener Infrastruktur.
- Sprachausgabe in 35+ Sprachen und 50+ Dialekten mit steuerbaren Emotions- und Tempo-Tags.
Mistral stellt Voxtral 3 samt Voice-Agent-SDK vor
Am 20. Oktober 2026 hat Mistral AI Voxtral 3 vorgestellt. Mitgründer und Chief Scientist Guillaume Lample kündigte die Modellfamilie auf X an. Sie umfasst Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3 mit 4 Milliarden Parametern, Voxtral Mini Transcribe Realtime 3 sowie das Sprachausgabemodell Voxtral Mini TTS 3, das Mistral als Voxtral Speech 3 vermarktet. Die Fachpresse nennt teils nur einen Teil dieser Modelle.
Hinzu kommt ein Voice-Agent-SDK auf Basis von LiveKit. Es verbindet Zuhören, Reasoning mit Tool-Calls und Sprechen in einer Streaming-Pipeline. Mistral begründet das damit, dass getrennte Dienste für Transkription, Sprachmodell und Sprachausgabe Latenz, Kontextverlust und Fehler bei Unterbrechungen verursachen. Ob die gebündelte Pipeline dieses Problem löst, zeigen erst Praxistests von Entwicklern.
Voxtral 3 läuft über die EU-gehostete Mistral-API oder als Selbst-Deployment auf eigener Infrastruktur. Mistral verweist dabei auf Datensouveränität: Organisationen bestimmen selbst, wo Audio verarbeitet wird.
50 Sprachen, 500 Millisekunden und Stimmklon aus 30 Minuten Audio
Die Transkriptionsmodelle decken laut Mistral mehr als 50 Sprachen ab. Sie bieten Diarization, also die Zuordnung von Sprechern, und Context Biasing mit Keyphrases oder Freitext. Außerdem erkennen sie das Ende eines Redebeitrags. Das Realtime-Modell transkribiert in mehr als 35 Sprachen mit weniger als 500 Millisekunden Latenz.
Die Sprachausgabe unterstützt mehr als 35 Sprachen und mehr als 50 Dialekte. Emotion und Tempo steuert man über Tags wie [emotion=sad][pace=slow]. Eine Stimme wird auf Basis von rund 30 Minuten Referenzaudio repliziert, auch sprachübergreifend.
Laut Mistral kostet Mini Transcribe 3 0,0035 US-Dollar pro Minute, Small Transcribe 3 0,004 Dollar und Mini Transcribe Realtime 3 0,008 Dollar. Voxtral Speech 3 kostet 13 Dollar je einer Million Zeichen.
Benchmarks nur von Mistral selbst, im Realtime-Vergleich hinter Gemini
Alle Leistungszahlen stammen aus Mistrals eigenen Charts. Unabhängige Tests fehlen bislang. Auch die Einstufung als „state-of-the-art“ ist eine Herstellerangabe.
Small Transcribe 3 erreicht auf FLEURS mit 45 Sprachen eine Wortfehlerrate (WER) von 4,1 Prozent bei vorgegebener Sprache und 4,0 Prozent bei erkannter Sprache. Whisper large-v3 kommt auf 16,0 beziehungsweise 14,9 Prozent, Scribe v2 auf 4,9 Prozent. Auf gleichem Niveau liegt Microsoft AI Transcribe 2. Kurzmeldungen, die Siege über die Konkurrenz herausstellen, vereinfachen das.
Im Realtime-Vergleich liegt Mistral zurück. Die 480-Millisekunden-Einstellung erreicht 6,4 Prozent WER, Gemini 3.5 Realtime Transcribe 4,2 Prozent. Bei der Diarization nennt Mistral eine cpWER von 18,4 Prozent (Small) und 18,6 Prozent (Mini).
Die Berichterstattung widerspricht sich in Teilen. Cryptobriefing ist die einzige Quelle, die einen erwarteten Preis von etwa 0,001 Dollar pro Minute nennt und von einer „open-weight“-Pipeline spricht. Das vorliegende Material stützt beides nicht; dort ist nur von API und Selbst-Deployment die Rede. Laut Dokumentation befindet sich Mini Transcribe 3 außerdem in einer Public Preview.
