Mistral 发 Voxtral 3：语音 Agent 每分钟 4 美分，中文也能用

做客服电话、语音助手的人，过去要自己拼三样东西：语音识别、大模型、语音合成，再操心谁先说完、谁打断谁。Mistral 这次把三样打包成一个 SDK，还给了按分钟计的整套价格。

一次发了 5 个模型和一个 SDK

官方文档列出的 Voxtral 3 家族：

• Voxtral Mini Transcribe 3：转写录音文件，4B 参数，带说话人区分、时间戳和自定义词表。
• Voxtral Mini Transcribe Realtime 3：实时转写，延迟可在 80–1200 毫秒之间按会话设置，内置「对方是否说完了」的判断。
• Voxtral Small Transcribe 3：质量更高的离线转写，官方宣称在多语种转写和说话人区分上超过 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。
• Voxtral TTS 3 / TTS Realtime 3：语音合成，支持 35 种以上语言、50 多种方言，34 个情绪标签和 2 个语速标签；用 30 分钟录音可以做高还原度的声音定制（官方叫 Pro Voice）。

SDK 负责采集麦克风、转写、调模型、合成、播放的全流程，用户中途插话时 Agent 会停下来。工具分两种：联网搜索、文档库这类跑在 Mistral 服务端，你自己的函数跑在你的程序里。

语音 Agent 的难点从来不是哪一个模型，而是三个模型怎么接力不卡顿。Voxtral 3 卖的正是这条接力管线。

按小时算一笔账

每小时一栏是本文按官方分钟价乘 60 算的。整套 Agent 用自家 Small 4 比接别家模型便宜一半，意图很明显。

先别急着上生产的三点

• 电话线路暂时只给企业客户：SIP 接入要通过客户经理开通。
• 电话场景里客户端工具会失败：文档写明打电话时没有你的代码在跑，需要用服务端工具。
• 不是开源发布：上一代 Voxtral 在 Hugging Face 有开放权重，这次截至 10-21 没有，私有化部署要单独谈。

想自己试，装 pip install "mistralai[realtime]"，配上 Mistral API Key 即可；Python 版还要装 PortAudio，否则能装上但录不到音。本文没有实测（需要注册并绑定付费 API）。

最后

如果你在做中文客服或语音助手，先用批量转写接口拿自家录音跑一遍，对比现有方案的错字率和价格，再决定要不要上整套 Agent。