Voxtral 3 — новое семейство голосовых моделей Mistral AI, представленное 20 октября 2026 года. В него входят три модели для расшифровки речи, две модели для озвучки текста и SDK для голосовых агентов, которые слушают, думают и отвечают голосом в реальном времени. Расшифровка работает с 50 языками, русский в списке есть, а час записи в базовой модели стоит около $0,21.
Ниже разберём, какая модель за что отвечает, что нового и сколько это стоит.
Что вышло 20 октября
Анонс появился в блоге Mistral днём 20 октября по московскому времени. Mistral описывает Voxtral 3 как набор для голосовых агентов, которые точно слышат, понимают смысл, говорят естественно и выполняют действия.
Модели доступны через API Mistral с серверами в Европе, США и глобальной точкой доступа, а попробовать их можно в «песочницах» Mistral Studio. В документации у моделей статус Public Preview (публичная предварительная версия).
Пять моделей: какая для чего
| Модель | Задача | Цена |
|---|---|---|
| Voxtral Mini Transcribe 3 | расшифровка файлов | $0,0035 за минуту |
| Voxtral Small Transcribe 3 | расшифровка файлов точнее | $0,004 за минуту |
| Voxtral Mini Transcribe Realtime 3 | расшифровка «вживую» | $0,008 за минуту |
| Voxtral TTS 3 | озвучка готового текста | $13 за 1 млн символов (по анонсу) |
| Voxtral TTS Realtime 3 | озвучка в живом диалоге | та же цена, что у TTS 3 |
В API модели называются по схеме voxtral-mini-transcribe-3-0. В анонсе модель озвучки называют то Voxtral Mini TTS 3, то Voxtral Speech 3, но речь об одной модели.
Документация советует начинать с Mini Transcribe 3 и переходить на Small, если ошибки не исправляются даже пользовательским словарём. По данным Mistral, у Mini Transcribe 3 4 млрд параметров. Размер Small официально не назван.
Расшифровка речи: 50 языков, спикеры и словарь
Главное изменение: Mini Transcribe 2 поддерживала 13 языков, а модели Voxtral 3 для файлов работают с 50. Русский входит в тест точности Mistral, а туда попали только языки, которые поддерживают все сравниваемые модели.
Файлы: встречи, лекции, звонки
Офлайн-модели возвращают текст:
- с разметкой спикеров, то есть видно, кто что сказал;
- с временными метками по фрагментам. Метки для отдельных слов из Voxtral 3 убрали;
- с пользовательским словарём: можно передать названия продуктов, фамилии и термины, в том числе фразами из нескольких слов, а также свободное описание контекста.
Язык можно указать двухбуквенным кодом, например ru, или оставить на автоопределение.
Живая речь
Realtime-модель выдаёт текст, пока человек говорит. Задержку выбирают на сессию: от 80 до 1200 мс или 2400 мс, и чем она больше, тем точнее результат. Модель сама определяет, что собеседник закончил фразу, а это важно для голосовых ботов. С разметкой спикеров можно передать до 8 образцов голосов по 3–15 секунд, чтобы модель подписывала людей по именам. По таблице языков в документации realtime-модель поддерживает 45 языков и диалектов, а в анонсе названы «более 35» и «40+».
Учтите: разметку спикеров и определение конца реплики нельзя включить в одной realtime-сессии, только в разных.
Насколько точно: цифры Mistral
Все результаты ниже опубликовала сама Mistral, независимой проверки пока нет. Основной тест — FLEURS на 45 языках, включая русский. Метрика — доля ошибочных слов (WER), чем меньше, тем лучше. Первое число — язык задан заранее, второе — определён автоматически:
| Модель | WER, % |
|---|---|
| Voxtral Small Transcribe 3 | 4,0 / 4,1 |
| Microsoft AI Transcribe 2 | 4,0 / 4,1 |
| Voxtral Mini Transcribe 3 | 4,5 / 4,6 |
| Gemini 3.5 Transcribe | 4,5 / 6,1 |
| Scribe v2 | 4,9 / 4,9 |
| GPT Transcribe | 5,6 / 6,3 |
| Whisper large-v3 | 14,9 / 16,0 |
В карточке Small Transcribe 3 Mistral пишет, что модель обходит всех перечисленных конкурентов. Но на графике из анонса у неё и у Microsoft AI Transcribe 2 одинаковые 4,0 и 4,1%. Честнее сказать, что они идут вровень, а в индексе Artificial Analysis Microsoft даже чуть точнее (2,04 против 2,10).
В расшифровке «вживую» картина другая. На 35 языках Voxtral Mini Transcribe Realtime 3 с задержкой 2,4 секунды показывает 5,7%, а Gemini 3.5 Realtime Transcribe — 4,2%. При задержке 240 мс у Voxtral ошибок больше: 7,4%. Это меньше, чем у GPT Live Transcribe (8,4%) и Scribe v2 Realtime (8,7%).
Словарь заметно помогает: в тесте Earnings 22 Small Transcribe 3 распознаёт 81,4% ключевых фраз без словаря и 94,6% со словарём.
Озвучка: эмоции, клонирование и русский голос
Voxtral TTS 3, по данным Mistral, говорит на 35 с лишним языках и более чем 50 диалектах, готовые голоса есть для 18 языков, включая русский. Интонацию модель подбирает по смыслу текста, а для точной настройки есть теги.
Эмоции, темп и произношение
- 34 тега эмоций и два тега темпа (медленно и быстро) ставят прямо в тексте, так что один голос может звучать по-разному в соседних фразах.
- Произношение: для названий и терминов можно задать звучание фонемами.
- Выразительность задаётся числом: чем оно выше, тем ярче подача, но меньше сходство с исходным голосом.
- Описания стиля обычными словами заявлены, но на старте недоступны.
Форматы — mp3, wav, pcm, flac и opus, звук можно получать потоком.
Клонирование голоса
Короткой записи в MP3 или WAV (от нескольких секунд до нескольких минут) хватает, чтобы озвучить текст похожим голосом без обучения. Голос можно сохранить: по умолчанию он хранится 30 дней, срок настраивается от 1 до 365 дней. Для профессионального клона нужно больше материала: в анонсе говорится о 30 минутах, документация рекомендует от 30 минут до 3 часов чистой записи одного человека.
Клонируйте только свой голос или голос человека, который на это согласился, и сверяйтесь с правилами Mistral.
Качество за свои деньги
В тесте Voice Code Bench от BeSimple AI (300 англоязычных фраз с числами и редкими именами) модель-судья, по графику Mistral, признала точными около 80% записей Voxtral TTS при цене $13 за 1 млн символов. У Eleven v4 и Eleven v4 Turbo около 98%, но стоят они $80 и $40. Для сравнения возможностей посмотрите и голосовые модели MiniMax Speech.
Голосовые агенты: SDK вместо самодельной связки
Вместе с моделями вышел SDK для голосовых агентов на основе LiveKit — для Python, Node.js и браузера. Realtime-модель слушает собеседника, языковая модель (например, Mistral Small) решает, что ответить, и вызывает инструменты, а TTS отвечает голосом. По данным Mistral, каждый ход диалога занимает меньше секунды, а агент замолкает, если его перебивают.
Агент умеет искать в интернете, обращаться к вашим библиотекам документов и вызывать функции. Каждый этап — отдельная модель, поэтому язык, голос или «мозг» агента меняются без переписывания кода. Телефония по SIP на старте доступна только корпоративным клиентам.
Если нужен не конструктор, а готовый помощник для разговора, удобнее голосовой режим ChatGPT или голосовой режим в приложении Mistral.
Сколько стоит: примеры расчёта
Цены из анонса, наш пересчёт:
- час записи через Mini Transcribe 3: 60 × $0,0035 = $0,21;
- тот же час через Small Transcribe 3: 60 × $0,004 = $0,24;
- час живой расшифровки: 60 × $0,008 = $0,48;
- озвучка статьи на 10 тыс. символов: $0,13.
Одна оговорка: в анонсе озвучка стоит $13 за 1 млн символов, а в карточке модели в документации на 20 октября указано $16, то есть $0,16 за те же 10 тыс. символов. Перед расчётом бюджета проверьте актуальную цену в консоли. Бесплатный лимит для Voxtral 3 официально не заявлен.
Как попробовать
- Зарегистрируйтесь в Mistral Studio и откройте раздел с аудио: там есть «песочницы» для расшифровки, озвучки, клонирования и голосовых агентов.
- Для своего приложения создайте API-ключ. Общая логика первого запроса такая же, как в разборе первого вызова API Mistral, меняются только адрес и модель: для расшифровки файла используется
/v1/audio/transcriptions, для озвучки/v1/audio/speech. - Начните с короткой записи и сравните Mini и Small на своём материале. Например, возьмите запись планёрки с тремя участниками, задайте язык
ru, включите разметку спикеров и добавьте словарь из названий проектов и фамилий. Посчитайте, сколько фамилий модель написала правильно со словарём и без него.
Оплату и доступ из России Mistral не описывает, это нужно проверять самостоятельно.
Если вы уже работаете с Voxtral 2
У Mistral есть отдельная инструкция по переходу. Главное:
- замените ID моделей на новые, есть и короткие псевдонимы вроде
voxtral-mini-transcribe-3; - метки времени для отдельных слов больше не поддерживаются, запрос с ними вернёт ошибку;
- в realtime-сессии все настройки нужно передать до первого фрагмента звука;
- старые голоса Voxtral 2 и разовое клонирование работают, а эмоции теперь задаются тегами.
Пересказ или перевод записи на старте по-прежнему делает чат-модель Voxtral 2 (voxtral-small-latest), а Small Transcribe 3 пока только расшифровывает, хотя в её карточке перевод и ответы на вопросы уже упомянуты.
Ограничения и что официально не заявлено
- Открытые веса. Часть моделей Voxtral 2 выходила с открытыми весами, для Voxtral 3 Mistral этого не объявляла, репозиториев на Hugging Face на вечер 20 октября нет. Развернуть всё у себя можно по договорённости с Mistral. Как устроен локальный запуск открытых моделей, мы разбирали в статье про open-weights Mistral.
- Статус. Дата полного запуска и сроки отключения Voxtral 2 не названы.
- Приложение Vibe. Mistral не уточняет, перешёл ли голосовой режим в Vibe на Voxtral 3. Что вообще изменилось в бывшем Le Chat, мы писали в обзоре перехода Le Chat в Vibe.
- Цифры точности — тесты самой Mistral, на ваших записях результат может отличаться.
Для разовой задачи API не нужен: посмотрите, как сделать конспект лекции из аудио в обычном чат-боте.
Частые вопросы
Понимает ли Voxtral 3 русский язык?
Да. Русский входит в языки теста FLEURS, на котором Mistral проверяла точность расшифровки, а для озвучки есть готовые русские голоса.
Можно ли скачать Voxtral 3 и запустить локально?
Открытые веса официально не объявлены. Для своей инфраструктуры или частного облака Mistral советует связаться с её командой.
Сколько стоит расшифровать часовую запись?
По ценам из анонса — $0,21 в Mini Transcribe 3 и $0,24 в Small Transcribe 3. Живая расшифровка того же часа стоит $0,48.
Чем Voxtral 3 отличается от Voxtral 2?
Больше языков (50 вместо 13 в расшифровке файлов), разметка спикеров и определение конца фразы в realtime, теги эмоций и настройка произношения в озвучке. Метки времени для слов убрали.
Итог
Voxtral 3 — крупное обновление голосового направления Mistral: расшифровка на 50 языках, озвучка с эмоциями и клонированием, SDK для голосовых агентов и невысокие цены. По данным самой Mistral, в расшифровке файлов Small Transcribe 3 идёт вровень с лучшими конкурентами, а в живой расшифровке уступает Gemini. Это предварительная версия без объявленных открытых весов, так что сначала проверьте качество на своих записях.
