Mistral hat am 2026-10-20 Voxtral 3 angekündigt und erweitert sein Angebot um einen Sprach-Stack für Voice Agents in Echtzeit. Dieser läuft über die API und unterstützt auch die eigene Bereitstellung, etwa On-Premises und in privaten Cloud-Umgebungen.
Laut dem Mistral-Beitrag zur Einführung umfasst das Release mehrsprachige Transkription, Text-to-Speech, Sprecherwechselerkennung, Reasoning und Tool-Aufrufe in einer LiveKit-basierten Streaming-Pipeline sowie ein Voice-Agent-SDK, das diese Komponenten verbindet.
Mistral zufolge unterstützt der Stack Transkription in mehr als 50 Sprachen, während die Sprachausgabe mehr als 35 Sprachen und mehr als 50 Dialekte abdeckt. Zudem ist Stimmenklonen mit etwa 30 Minuten Quell-Audio möglich. Die veröffentlichten Preise beginnen bei $0.0035 pro Transkriptionsminute und $13 pro eine Million Text-to-Speech-Zeichen.
Für Builder bedeutet das: Sie können einen Anbieter für Zuhören, Antwortgenerierung und gesprochene Ausgabe testen, statt getrennte STT- und TTS-Dienste zu verbinden. Ein Vorbehalt: Mistrals eigene Materialien sind bei der Abdeckung der Echtzeittranskription nicht vollständig konsistent. Teams mit bestimmten Zielregionen sollten die Sprachunterstützung vor einer Migration bestätigen.