Voxtral 3 di Mistral: trascrizione, voce sintetica e SDK per agenti
Béatrice dice a un agente vocale di avere una lettera del medico scritta in francese e gli detta il numero di riferimento, 4420 1187. L’agente lo passa a uno strumento (get_referral), legge il testo, spiega che il medico chiede la visita di un dermatologo, propone il primo posto libero e lo prenota con book_appointment, poi promette i dettagli in inglese. È la demo con cui Mistral apre la pagina di presentazione di Voxtral 3, la nuova famiglia di modelli di trascrizione e sintesi vocale annunciata il 20 ottobre 2026, con un SDK per costruire agenti di questo tipo.
I modelli sono disponibili via API Mistral e l’italiano è tra le lingue coperte, sia nella trascrizione sia nelle voci. I prezzi sono dichiarati in dollari.
Come funziona l’SDK per agenti vocali
Secondo Mistral l’SDK è costruito su LiveKit e fa girare ascolto, ragionamento e risposta come un’unica pipeline in streaming. Voxtral Mini Transcribe Realtime 3 ascolta e riconosce quando chi chiama ha finito di parlare; un modello generalista, per esempio Mistral Small, ragiona e chiama gli strumenti; Voxtral Speech 3 risponde con il tono della conversazione fino a quel punto.
Ogni fase è un modello separato, quindi si può cambiare il modello linguistico, la voce o la lingua senza riscrivere l’agente. Mistral dichiara che nessuna fase attende la precedente, che ogni turno si chiude in meno di un secondo e che l’agente smette di parlare se lo si interrompe. La documentazione di Mistral sulla latenza descrive però le fasi come una catena in cui ciascuna aggiunge tempo all’attesa dell’utente.
Durante la chiamata l’agente può usare function calling, ricerca web e recupero di informazioni dai sistemi aziendali: verificare l’identità di chi chiama, controllare una fattura, prenotare un appuntamento. Funziona in browser e app via WebRTC e si collega a telefonia, IVR e software di contact center già in uso. Secondo Mistral, l’agente risponde ed effettua chiamate anche via SIP.
Trascrizione: tre modelli, oltre 50 lingue
- Voxtral Small Transcribe 3: il modello di massima accuratezza. Copre oltre 50 lingue, comprese le 24 lingue ufficiali dell’UE, identifica chi ha parlato (diarizzazione), supporta il context biasing e rileva la fine del turno.
- Voxtral Mini Transcribe 3: 4 miliardi di parametri, trascrizione multilingue in modalità batch (su registrazioni, non in diretta), con diarizzazione e context biasing.
- Voxtral Mini Transcribe Realtime 3: pensato per gli agenti, con latenza sotto i 500 ms, anche con diarizzazione e context biasing. Il testo della pagina parla di oltre 35 lingue, la scheda prodotto di oltre 40.
Il context biasing consiste nel passare al modello termini chiave o testo libero, così da riconoscere meglio il lessico tecnico senza fine-tuning. La previsione della fine del turno, spiega Mistral, combina informazioni acustiche e semantiche per ridurre i tagli quando l’utente viene interrotto troppo presto.
Sulle prestazioni, Mistral afferma che la versione Small ottiene risultati allo stato dell’arte in diarizzazione e trascrizione multilingue, anche in inglese, francese e spagnolo, e supera Whisper, Scribe v2 e Gemini 3.5 Transcribe. I benchmark citati sono FLEURS, AMI e Switchboard; nel testo della pagina non compaiono i punteggi.
Voce sintetica: emozione, pronuncia e italiano
Voxtral Speech 3 (indicato anche come Mini TTS 3.0) esiste in versione batch e in tempo reale. Copre oltre 35 lingue e oltre 50 dialetti. Le voci adattano emozione, ritmo ed enfasi al contesto del testo e si possono guidare anche con istruzioni esplicite. Tra le funzioni elencate ci sono il TTS contestuale e una libreria di vocaboli.
Per i nomi rari o inventati Mistral prevede suggerimenti fonetici in alfabeto IPA. Gli esempi nella versione italiana della pagina comprendono il nome «Quivello» e la parola inglese «GIF». I preset vocali sono disponibili in 18 lingue, italiano incluso.
Nel confronto con Voxtral 1 la pagina mette a fianco la lettura di numeri, orari e indirizzi email. In un esempio il volo delle 21:00 del 10/10 veniva letto dalla versione precedente come «21,000pm on 10 over 10». Le valutazioni sulla voce sono interne o affidate a un giudice automatico (gemini-3.8-flash) e riguardano per lo più frasi in inglese.
Per i casi in cui la clonazione vocale di base non basta, Pro Voice riproduce carattere, gamma emotiva e stile di chi parla, anche in lingue diverse, partendo da 30 minuti di audio.
Dove girano i modelli: API in UE o infrastruttura propria
Voxtral 3 si usa tramite l’API Mistral, con endpoint europei, statunitensi e globali. Mistral presenta l’hosting in UE come garanzia di sovranità dei dati. In alternativa i modelli si possono installare sulla propria infrastruttura: l’organizzazione decide dove viene elaborato l’audio e se le conversazioni vengono conservate. Per l’installazione on-premises o in cloud privato la pagina rimanda al team commerciale. Non sono indicati requisiti hardware.
Prezzi dell’API
| Modello | Prezzo |
|---|---|
| Voxtral Mini Transcribe 3 (batch) | 0,0035 $/min |
| Voxtral Mini Transcribe Realtime 3 | 0,008 $/min |
| Voxtral Small Transcribe 3 | 0,0040 $/min |
| Voxtral Speech 3 (batch e realtime, stessa API) | 13 $ per milione di caratteri |
Mistral sostiene che Speech 3 costi meno di OpenAI TTS-1, Deepgram, ElevenLabs Flash e Gemini Flash; i grafici qualità/prezzo a supporto sono in gran parte valutazioni interne (uno usa il Voice Code Bench di BeSimple AI), con prezzi presi dai listini dei fornitori. Il prezzo di Pro Voice non è indicato.
Come provarlo
Agenti vocali, trascrizione, generazione di voce e voice cloning si possono provare nei playground di Mistral Studio.
