Mistral hat Voxtral 3 vorgestellt, eine neue Modellfamilie für Sprache-zu-Text und Text-zu-Sprache, ergänzt durch ein Voice-Agent-SDK. Das System vereint Zuhören, logisches Schlussfolgern, Werkzeugaufrufe und Sprachausgabe in einer einzigen Echtzeit-Streaming-Pipeline. Es ist für natürliche Gesprächserlebnisse in Contact Centern, Servicetheken, virtuellen Assistenten und freihändigen Copilots konzipiert.
Das Sprache-zu-Text-Modell Voxtral Small Transcribe 3 gilt als State of the Art in mehrsprachiger Transkription. Es unterstützt über 50 Sprachen, erkennt, wer was gesagt hat (Diarisierung), nutzt Schlüsselphrasen zur Verbesserung der Genauigkeit (Kontext-Biasing) und erkennt, wann ein Sprecher fertig ist, damit Agenten ohne Verzögerung antworten können. Die erweiterte Sprachliste umfasst die 24 offiziellen EU-Sprachen sowie viele ressourcenarme asiatische und indische Sprachen.
Das Text-zu-Sprache-Modell Voxtral Mini TTS 3 bietet neue Stimmen, die Emotion, Tempo und Betonung abhängig vom Gesprächskontext anpassen. Es unterstützt über 35 Sprachen und mehr als 50 Dialekte. Für professionelle Anwendungsfälle kann die Pro-Voice-Anpassung den unverwechselbaren Charakter, die emotionale Bandbreite und den Sprechstil eines Sprechers über Sprachen hinweg mit nur 30 Minuten Audiomaterial reproduzieren.
Voxtral 3 ist für souveräne Bereitstellung ausgelegt. Es ist über die EU-gehostete API von Mistral oder zur Selbstbereitstellung auf der eigenen Infrastruktur einer Organisation verfügbar. So lässt sich kontrollieren, wo Audio verarbeitet wird, wie Daten behandelt werden und ob Gespräche gespeichert werden. Damit eignet es sich für sensible Gespräche, die in einer kontrollierten Umgebung bleiben müssen.
Quelle: Hacker News · Zusammengefasst von HeadlinesBriefing