Voxtral 3: Mistral startet neue Modelle fuer Voice-Agenten

Was Mistral mit Voxtral 3 veroeffentlicht hat

Mistral hat am 20. Oktober 2026 Voxtral 3 vorgestellt. Es handelt sich nicht um ein einzelnes Modell, sondern um eine Familie fuer gesprochene Ein- und Ausgabe: Voxtral Small Transcribe 3 und Voxtral Mini Transcribe 3 verarbeiten Aufzeichnungen, Voxtral Mini Transcribe Realtime 3 ist fuer laufende Gespraeche gedacht und Voxtral Speech 3 erzeugt Sprache.

Hinzu kommt ein Voice-Agent-SDK auf Basis von LiveKit. Es verbindet Transkription, ein frei waehlbares Reasoning-Modell, Werkzeugaufrufe und Sprachausgabe in einer Streaming-Pipeline. Laut Mistral koennen solche Agenten ueber SIP telefonieren, im Browser oder in Apps per WebRTC arbeiten und an bestehende Kontaktcenter-Systeme angebunden werden.

Bestaetigt sind die Veroeffentlichung, die dokumentierten Modelle, Preise und Zugangswege. Aussagen wie 'State of the Art', Vergleiche mit Wettbewerbern und Latenzangaben sind Herstellerangaben und kein unabhaengiger Leistungsnachweis fuer jede Umgebung.

Voxtral 3 ist eine modulare Voice-AI-Familie. Das SDK kombiniert mehrere spezialisierte Modelle; es ist kein einzelnes End-to-End-Modell, das alle Schritte allein erledigt.

Transkription in mehr als 50 Sprachen

Voxtral Small Transcribe 3 ist laut Mistral das genaueste Modell der Familie. Es unterstuetzt mehr als 50 Sprachen, Sprechertrennung und Context Biasing. Bei letzterem lassen sich Namen oder Fachbegriffe vorgeben, damit das Modell sie in schwierigen Aufnahmen eher korrekt erkennt.

Die kleinere Mini-Version besitzt nach Herstellerangabe vier Milliarden Parameter und ist fuer guenstigere Batch-Verarbeitung gedacht. Das Echtzeitmodell arbeitet in mehr als 35 Sprachen und soll Ergebnisse mit weniger als 500 Millisekunden Verzoegerung liefern. Eine integrierte Ende-des-Sprechturns-Erkennung soll vermeiden, dass ein Agent zu frueh antwortet oder Menschen unterbricht.

Mistral vergleicht die Modelle auf eigenen und oeffentlichen Benchmarks mit Whisper, Scribe und Gemini. Solche Werte helfen bei der Vorauswahl, ersetzen aber keinen Test mit den tatsaechlichen Sprachen, Akzenten, Geraeuschen und Fachbegriffen eines Projekts.

• Mehr als 50 Sprachen bei den Batch-Transkriptionsmodellen
• Sprechertrennung und Vorgaben fuer Fachbegriffe
• Echtzeit-Transkription mit nativer Turn-Erkennung
• Hersteller-Benchmarks muessen auf eigenen Audiodaten geprueft werden

Sprachausgabe, Dialekte und Stimmenanpassung

Voxtral Speech 3 erzeugt Sprache in mehr als 35 Sprachen und ueber 50 Dialekten. Das Modell kann laut Mistral Emotion, Tempo und Betonung aus dem Gespraechskontext ableiten. Fuer seltene Namen und erfundene Woerter gibt es Aussprachehinweise und ein steuerbares Vokabular.

Eine professionelle Stimmenanpassung soll Charakter, Stil und emotionale Bandbreite einer Stimme anhand von mindestens 30 Minuten Audiomaterial nachbilden. Diese Funktion ist technisch interessant, erfordert aber klare Einwilligungen, Zugriffsregeln und Schutz gegen Missbrauch. Mistral beschreibt die Funktion, liefert im Beitrag jedoch keine vollstaendige rechtliche oder organisatorische Gebrauchsanweisung.

Die auf der Produktseite gezeigten Qualitaetsvergleiche wurden teilweise intern erstellt und verwenden ein anderes KI-Modell als Bewerter. Sie sind deshalb als Hersteller-Evaluation zu lesen. Ob Ausdruck, Aussprache und Markenstimme im Alltag passen, laesst sich nur durch Hoertests mit Muttersprachlern und echten Dialogen beurteilen.

Preise und Verfuegbarkeit im Ueberblick

Voxtral 3 ist laut Mistral ab sofort ueber europaeische, US-amerikanische und globale API-Endpunkte verfuegbar. Die Modelle koennen ausserdem in den Studio-Playgrounds getestet werden. Fuer einen vollstaendigen Eigenbetrieb oder eine private Cloud verweist Mistral auf ein individuelles Angebot.

Die angegebenen Preise beziehen sich auf die reine Modell- oder Agentennutzung. Telefonie, LiveKit-Infrastruktur, Speicherung, Monitoring, weitere Modellaufrufe und eigene Systeme koennen zusaetzliche Kosten verursachen. Auch Steuern und moegliche regionale Preisunterschiede sind in einer Projektkalkulation gesondert zu pruefen.

• Voxtral Mini Transcribe 3, Batch: 0,0035 US-Dollar pro Minute
• Voxtral Small Transcribe 3: 0,004 US-Dollar pro Minute
• Voxtral Mini Transcribe Realtime 3: 0,008 US-Dollar pro Minute
• Voxtral Speech 3: 13 US-Dollar pro Million Zeichen
• Voice-Agent-API mit Mistral Small 4: 0,04 US-Dollar pro Minute
• Voice-Agent-API mit anderem Reasoning-Modell: 0,08 US-Dollar pro Minute

Was noch offen bleibt

Mistrals Beitrag zeigt viele Funktionen und Benchmarks, aber keine unabhaengigen Langzeittests fuer reale Kontaktcenter. Offen bleibt insbesondere, wie stabil die Pipeline bei Paketverlust, starkem Hintergrundlaerm, schnellen Sprecherwechseln oder sehr langen Gespraechen arbeitet.

Auch die behauptete Reaktionszeit von unter einer Sekunde haengt von Netzwerk, Region, Telefonie, Reasoning-Modell, Werkzeugen und angebundenen Systemen ab. Ein einzelner API-Wert beschreibt daher nicht die gefuehlte Ende-zu-Ende-Latenz eines fertigen Agenten.

Bei sensiblen Gespraechen reicht ein europaeischer Endpunkt allein nicht fuer eine Datenschutzbewertung. Teams muessen Datenfluesse, Aufbewahrung, Unterauftragnehmer, Zugriffsrechte, Einwilligungen und Loeschprozesse fuer ihren konkreten Betrieb klaeren.

So sollte ein eigener Voice-Agent-Test aussehen

Ein belastbarer Pilot beginnt mit echten, rechtmaessig nutzbaren Testdialogen aus den vorgesehenen Sprachen und Kanaelen. Fuer Transkription sollten Wortfehlerrate, Fachbegriff-Erkennung und Sprechertrennung getrennt gemessen werden. Fuer Sprachausgabe zaehlen Verstaendlichkeit, Aussprache und subjektive Natuerlichkeit.

Auf Agentenebene sind Abbruchquote, falsche Werkzeugaufrufe, erfolgreiche Aufgabenerledigung und Ende-zu-Ende-Latenz wichtiger als eine einzelne Modellmetrik. Kritische Aktionen wie Buchungen, Zahlungen oder Aenderungen an Kundendaten brauchen Bestaetigungen und nachvollziehbare Protokolle.

Voxtral 3 ist damit ein relevanter neuer Baustein fuer mehrsprachige Sprachagenten. Ob er gegen bestehende Anbieter gewinnt, entscheidet nicht die Ankuendigung, sondern ein kontrollierter Vergleich unter denselben Bedingungen.

• Eigene Sprachen, Akzente und Stoergeraeusche testen
• Transkription, Stimme und Agentenlogik getrennt bewerten
• Latenz vom gesprochenen Satz bis zur hoerbaren Antwort messen
• Werkzeugaufrufe mit Freigaben und Fehlerfaellen absichern
• Datenschutz und Einwilligung vor dem Produktivbetrieb dokumentieren