Mistral 20 октября представила Voxtral 3 — семейство моделей для распознавания и синтеза речи вместе с набором инструментов для создания голосовых агентов. Разработчикам предлагают связать разговор с действиями во внешних сервисах: например, проверкой счёта или записью на приём.

Для такого помощника мало правильно расслышать слова и озвучить ответ. Нужно ещё определить, когда собеседник закончил говорить, выбрать действие, выполнить его через подключённую систему и отреагировать на перебивание. Новый комплект Mistral на базе LiveKit связывает эти этапы. Речь обрабатывают модели Voxtral, а решение о действиях принимает отдельная языковая модель. Её и голос можно менять независимо друг от друга.

У распознавания есть результат, проверенный за пределами компании. В индексе Artificial Analysis Voxtral Mini Transcribe 3 получила 2,2% ошибок против 3,6% у Mini Transcribe 2. Индекс объединяет три набора записей общей длительностью около восьми часов. Улучшение сопровождается небольшим подорожанием: тысяча минут расшифровки стоит $3,50 вместо $3 у предыдущей версии.

Это тест расшифровки готовых записей. Он не измеряет, насколько успешно агент запишет человека к врачу или разберётся с его счётом во время звонка. Независимой проверки всей этой цепочки в рассмотренных источниках нет.

Модели доступны через API; в документации новая речевая модель обозначена как Public Preview — публичная предварительная версия. Для голосового агента с Mistral Small 4 компания указала тариф $0,04 за минуту. Развёртывание полного комплекта на собственных серверах предлагается по договорённости с Mistral. Практический смысл выпуска — готовая связка компонентов для разработчика, которому всё ещё предстоит подключить свои сервисы и проверить, как помощник справляется с реальными поручениями.