Mistral 於 2026 年 10 月 20 日發布 Voxtral 3，這是一組圍繞語音互動重建的模型家族，包含支援 50 種語言的轉錄模型、覆蓋 35 種語言與 50 種方言的語音合成模型，以及一條以 LiveKit 為基礎的語音代理 SDK。官方將監聽、推理、工具調用與發聲放進同一條串流管線，並提供歐盟託管 API 與地端自建兩種部署路徑。對正在評估客服自動化或語音助理的企業而言，這次改版的重點不在單一模型的準確度，而在整條鏈路的延遲與可控性。

Mistral Voxtral 3 是什麼？

Voxtral 3 是 Mistral 的語音模型家族，含 Small 與 Mini 兩級轉錄、即時轉錄、語音合成，以及整合四者的語音代理 SDK，可託管或地端部署。

這次發布延續 Mistral 一貫的開放路線，但產品形態比前代更接近完整方案。前一代 Voxtral 主要提供語音理解能力，開發者仍需自行拼接轉錄、語言模型與合成三段流程；Voxtral 3 則把三段收斂成同一套串流架構，並補上端點偵測、語者分離與工具調用。官方同時把模型放上自家 API、Amazon Bedrock 與多個推論平台，讓企業可以按資料落地要求選擇執行位置。

家族成員分工明確。Voxtral Small Transcribe 3 負責準確度優先的批次轉錄，Voxtral Mini Transcribe 3 以 40 億參數換取速度與成本，Voxtral Mini Transcribe Realtime 3 針對代理場景做到次 500 毫秒延遲，Voxtral Speech 3 則處理文字轉語音。四者共用同一套語言清單與提示格式，切換型號不需要重寫流程。

Voxtral 3 的轉錄準確度表現如何？

官方 FLEURS 45 語言測試中，Small 版與即時版錯誤率均約 4.0%，優於 Whisper large-v3 與 Gemini 3.5 Transcribe。

轉錄能力是這次評測的主軸。官方公布的 FLEURS 45 語言巨集平均測試中，Small 版在指定語言模式下錯誤率為 4.1%，自動偵測語言模式為 4.0%；即時版本在 240 毫秒延遲設定下同樣落在 4.0% 附近。作為對照，Whisper large-v3 在同組測試約為 14.9%，差距主要出現在低資源語言，例如印地語系與東南亞語種。

語者分離的改善更明顯。在 AMI、Switchboard 與 AISHELL-4 等公開語料組成的 cpWER 指標上，Small 版取得 18.4%，Mini 版為 18.6%，優於 pyannote 組合方案的 20.3%，也明顯領先 Scribe v2 的 30.9% 與 Gemini 3.5 Transcribe 的 38.4%。對會議記錄與客服錄音而言，誰說了什麼往往比逐字稿本身更關鍵，這項指標直接決定後續分析的可用性。

第三項能力是情境偏置。企業可以把產品名、人名與專有名詞清單預先餵入模型，無須微調即可提升辨識率。官方在 Earnings 22 測試集上量測，關鍵詞召回率由未提供清單的 81.4% 提升至 94.6%，對於充滿型號與縮寫的技術支援場景，這個幅度足以減少大量人工校正。

語音代理 SDK 如何運作？

SDK 建構於 LiveKit，把監聽、推理、工具與發聲拆成可替換階段，任一階段可換模型或語言；代理可經 SIP 接聽電話，或以 WebRTC 在瀏覽器運作。

整條管線的設計原則是「每一段都可以替換」。即時轉錄模型負責監聽並判斷對方是否說完，通用語言模型負責理解與呼叫工具，語音合成模型負責用當前對話的情緒與語速回應。官方稱每一輪互動可壓在 1 秒內完成，且當使用者中途插話時，代理會立即停止發聲，避免傳統語音系統常見的搶話問題。

工具層沿用既有的函式呼叫機制。代理可以在通話過程中驗證身分、查詢帳單、預約時段，或對企業自有系統做檢索；官方範例展示了法語轉診信的處理流程，代理先辨識文件內容，再呼叫預約函式並回報確認結果。由於推理模型可以替換，團隊能在成本與能力之間調整，例如以 Mistral Small 4 處理常規應答，遇到複雜請求再轉往更大型模型。

接駁方式涵蓋三種常見通道。電話透過 SIP 接入，網頁與行動應用透過 WebRTC，既有客服平台則可經由 IVR 或聯絡中心軟件整合。這種安排讓語音代理不必取代現有電話系統，而是掛在既有線路上運作，對已經投資話務基礎設施的企業降低不少改動成本。

Voxtral 3 的語音合成有什麼特點？

Voxtral Speech 3 支援 35 種語言與 50 種以上方言，可依上下文調整情緒、語速與重音，並提供 30 分鐘音訊即完成的聲音複製與 Pro Voice 模式。

合成端的核心是情境理解。模型會閱讀當前對話的文字脈絡，自行判斷應該用興奮、安撫或正式語氣，開發者不必逐句下達情緒指令；若需要明確控制，也可透過提示指定情緒、節奏與重音三個變數。官方提供的示例顯示，前代在處理金額、日期與電子郵件地址時經常出錯，第三代已能正確斷句並轉為口語讀法。

聲音複製分成兩個層級。標準模式只需 30 分鐘取樣音訊即可重建音色，適合品牌客服或個人助理；Pro Voice 模式則進一步還原說話者的情緒範圍與表達習慣，並可跨語言維持同一辨識度。官方另提供 18 種語言的預設聲音，涵蓋阿拉伯語、華語、日語、韓語與多種歐洲語言，讓没有錄音素材的團隊也能快速上線。

多語言的處理不限於翻譯。官方強調模型會顧及方言差異，包括正式與非正式語域、拼寫習慣，以及時間、日期、溫度、地址與貨幣的在地格式。對跨區客服而言，這意味著同一段文字在巴西葡萄牙語與歐洲葡萄牙語會產生不同讀法，而不是逐字朗讀。

Voxtral 3 的定價與部署選項有哪些？

批次轉錄每分鐘 0.0035 美元，即時 0.008 美元，語音合成每百萬字元 13 美元；完整代理搭配 Small 4 每分鐘 0.04 美元，其他模型 0.08 美元。

定價按環節拆分，方便企業估算實際通話成本。Voxtral Mini Transcribe 3 批次處理為每分鐘 0.0035 美元，Small 版為 0.0040 美元，即時版本為 0.008 美元；語音合成不論批次或即時，統一為每百萬字元 13 美元。官方以每百萬字元換算，稱其成本低於 OpenAI TTS-1、Deepgram 與 ElevenLabs Flash 等對照方案。

完整代理則以通話時長計價。使用 Mistral Small 4 作為推理核心時，每分鐘 0.04 美元；改用其他推理模型則為每分鐘 0.08 美元。以一支日均一千通、每通三分鐘的客服線路估算，每日成本約 120 美元，這個數字已包含轉錄、推理與合成三個環節，與自行維運三套系統的總持有成本相比具備可比性。

部署彈性寫在產品定位裡。模型可透過 Mistral 位於歐洲、美國與全球的端點呼叫，也可部署在企業自有基礎設施或私有雲，並可設定是否保留音訊。對於處理醫療、金融或公共服務資料的機構，音訊是否離開本地往往是採購的先決條件，這項選項讓合規審查與模型選型可以分開討論。

企業導入語音代理需要注意什麼？

導入前應先確認三件事：音訊是否需要留在本地、通話平均時長對應的成本上限，以及既有電話系統能否以 SIP 接入。這三項決定部署形態，也決定代理能否通過內部合規審查。

第一項是資料落地。歐盟託管端點適合多數商業場景，但醫療與金融機構通常要求音訊不離開自有網路，此時需評估地端部署的硬體與維運人力。官方表示地端方案需與業務團隊洽談，意味著這條路徑仍屬企業級合約，而非自助開通。

第二項是成本結構的估算方式。按分鐘計價看似簡單，實際支出取決於通話長度分布與模型選擇；若多數通話在三十秒內結束，即時轉錄的單價優勢會被連線固定成本抵銷，此時批次處理搭配事後分析可能更合適。團隊宜先用一週的真實錄音做離線測試，再換算每通成本。

第三項是既有系統的接駁能力。SIP 接入讓語音代理可以掛在現有交換機之後，但 IVR 流程、來電路由與錄音政策仍需逐一對齊；若企業仍在使用老舊的聯絡中心軟件，整合工作量往往大於模型本身。實務上常見的做法是先從單一業務線切入，例如預約提醒或帳單查詢，驗證準確度與客訴率之後再擴大範圍。

出處連結有哪些？

本文資訊整理自 Mistral AI 於 2026 年 10 月 20 日發布的 Voxtral 3 官方公告，內容包含模型規格、基準數據、定價與部署說明。

官方公告：https://mistral.ai/news/voxtral-3/

Mistral 產品頁與 API 文件提供模型清單、語言支援範圍與串流介面說明，開發者可先在 Studio 測試環境試用轉錄、合成與聲音複製功能。

總結：哪些團隊適合採用 Voxtral 3？

需要多語言電話客服、會議記錄或語音助理，且重視資料落地與可替換性的團隊最適合。若只需單一語言的短語音轉文字，既有雲端服務的成本結構可能更簡單。

Voxtral 3 的價值在於把語音代理從研究專案變成可計價的工程方案。轉錄、語者分離與情境偏置的組合，解決了過去逐段拼接時最耗時的校正工作；SDK 的分層設計則讓模型替換不至於牽動整個系統。對於正在評估客服自動化的企業，這次發布提供了一個可以按分鐘成本試算的起點。

限制同樣清楚。官方基準多在公開語料上量測，實際通話的噪音、口音與專業術語仍會拉低表現；地端部署需要合約洽談，對小型團隊並不現實。較務實的路徑是先以託管 API 驗證單一場景，確認準確度與客訴率符合預期之後，再討論是否把音訊收回自有基礎設施。