Voxtral 3 від Mistral: розпізнавання, синтез мовлення й SDK для голосових агентів
Нове покоління голосових моделей охоплює понад 50 мов для транскрипції та 35+ для синтезу. Голосовий агент коштує від $0,04 за хвилину.
Mistral випустила Voxtral 3: набір моделей для розпізнавання й синтезу мовлення, а також SDK, що збирає їх у голосового агента.
Що нового
- Voxtral Small Transcribe 3: найточніша модель транскрипції компанії, $0,004 за хвилину.
- Voxtral Mini Transcribe 3: пакетне розпізнавання, $0,0035 за хвилину.
- Voxtral Mini Transcribe Realtime 3: потокове розпізнавання із затримкою менш як 500 мс, $0,008 за хвилину.
- Voxtral Mini TTS 3: синтез мовлення, $13 за мільйон символів.
Транскрипція підтримує понад 50 мов, зокрема 24 офіційні мови ЄС, а також розрізнення мовців і власний словник. Синтез охоплює 35+ мов і дає клонування голосу.
Голосові агенти
SDK побудований на LiveKit і поєднує розпізнавання, міркування та синтез в один потік із підтримкою SIP і WebRTC. Кожен етап — окрема модель, тому LLM, голос чи мову можна замінити, не переписуючи агента. API голосового агента коштує $0,04 за хвилину з Mistral Small 4 або $0,08 із більшою моделлю.
Як спробувати
Моделі доступні через API Mistral з європейськими, американськими й глобальними ендпоінтами, а випробувати їх можна в Studio. Для власного розгортання потрібно звернутися до компанії.
Обмеження
Ліцензії на сторінці анонсу не названо. Для потокової моделі там зазначено і 35+, і 40+ мов, а окремо про українську не сказано, тому її підтримку варто перевірити самостійно.
Підготовлено за допомогою AI за відкритими джерелами.