50 Sprachen, 0,0035 US-Dollar pro Transkriptionsminute und eine Realtime-Variante mit weniger als 500 Millisekunden Latenz: Voxtral 3 ist Mistrals neue Modellfamilie für Sprache. Sie kommt nicht als einzelnes Modell, sondern als Paket aus Spracherkennung, Sprachsynthese und einem SDK für Voice Agents.
Ein Modell, das zuhört, ist noch kein Assistent. Zwischen einer Transkription und einem Gespräch, das jemanden tatsächlich weiterbringt, liegen vier Schritte, und alle vier müssen gleichzeitig funktionieren: zuhören, verstehen, sprechen und handeln. Du kannst dir das wie ein Fließband mit vier Stationen vorstellen, bei dem jede Station auf die vorige wartet. Daran scheitern die meisten Systeme im Praxiseinsatz – die Verzögerungen summieren sich, und aus einem Gespräch wird ein Formular mit Stimme. Voxtral 3 setzt bei diesem Zusammenspiel an, nicht bei einem einzelnen Rekord.
Drei Modelle und ein SDK: so ist Voxtral 3 aufgebaut
Die Familie besteht aus mehreren Teilen, die sich einzeln einsetzen lassen. Für die Transkription nennt Mistral Voxtral Small Transcribe 3 für hohe Genauigkeit und Voxtral Mini Transcribe 3 mit vier Milliarden Parametern für den günstigen Massenbetrieb. Dazu kommt Voxtral Realtime Transcribe 3, das dieselben Kernfähigkeiten mit einer Latenz unter 500 Millisekunden liefert und damit für laufende Telefonate brauchbar wird. Auf der Ausgabeseite steht Voxtral Mini TTS 3.0, das im Batch- und im Realtime-Betrieb läuft.
Für anspruchsvolle Stimmadaption gibt es zusätzlich Pro Voice. Laut dem Entwickler reichen rund 30 Minuten Audio, um nicht nur eine Stimme zu klonen, sondern ihren Charakter, ihre emotionale Bandbreite und ihren Sprechstil über Sprachen hinweg zu reproduzieren. Verbunden wird das Ganze durch den Voice Agent SDK, der auf LiveKit aufsetzt und die vier Stationen des Fließbands in eine einzige Streaming-Pipeline legt. Der Vergleich mit dem Fließband bleibt passend: Die Stationen sind nicht schneller geworden, sie laufen jetzt parallel.
Zuhören: 50 Sprachen, Sprechererkennung und das erkannte Satzende
Beim Zuhören fällt zuerst die Zahl 50 auf. Voxtral Small Transcribe 3 deckt nach Anbieterangaben über 50 Sprachen ab, darunter alle 24 Amtssprachen der Europäischen Union sowie zahlreiche ressourcenschwache asiatische und indische Sprachen. In der FLEURS-Auswertung über 45 Sprachen erzielt das Modell den besten Makro-Durchschnitt der Wortfehlerrate im Vergleich zu Whisper, Scribe v2 und Gemini 3.5 Transcribe, sowohl mit vorgegebener als auch mit automatisch erkannter Sprache. Solche Zahlen sind Anbieterangaben und keine unabhängige Prüfung, sie zeigen aber die Richtung: Mehrsprachige Transkription ist längst die Grundlage, kein Zusatzfeature.
Zur Transkription gehört die Frage, wer eigentlich was gesagt hat. Die automatische Transkription mit Sprechererkennung, im Fachjargon Diarisierung, wird über öffentliche Benchmarks wie AMI, Switchboard und AISHELL-4 gemessen, und zwar in der zusammengeführten Kennzahl cpWER, die Sprecher und Wortlaut gemeinsam bewertet. Hier liegt der Vorteil nicht in einem einzelnen Spitzenwert, sondern darin, dass Sprechertrennung und Spracherkennung im Livebetrieb aus demselben Modell kommen. Für Contact Center ist das der Unterschied zwischen einem Protokoll und einem Gesprächsverlauf, den man später auswerten kann.
Ein Problem in vielen Service-Teams: Fachbegriffe. Namen, Produktcodes und Abrechnungsnummern gehen in generischen Modellen regelmäßig verloren, und das Feintuning dafür ist teuer. Voxtral 3 löst das über Context Biasing: Schlüsselbegriffe und freier Text werden dem Modell mitgegeben und heben die Trefferquote bei domänenspezifischem Vokabular, ohne dass ein Modell nachtrainiert werden muss. Die Recall-Werte auf dem Earnings-22-Benchmark steigen laut Mistral deutlich, sobald Kontext mitgegeben wird.
Für Echtzeitgespräche zählt jedoch weniger die Wortfehlerrate als der Moment, in dem jemand fertig gesprochen hat. Voxtral Realtime Transcribe 3 erkennt das Satzende nativ und verbindet dabei akustische mit semantischen Signalen. Ein Anstieg der Tonhöhe mitten im Satz wird so nicht als Unterbrechung gewertet, während ein kurzes „Ja“ nach einer Frage sofort als Antwort erkannt wird. Das senkt die Latenz und reduziert zugleich die falschen Abbrüche, wenn jemand kurz Luft holt.
Sprechen: Emotion, Dialekt und kontrollierte Aussprache
Voxtral Mini TTS 3.0 zielt auf natürliche Sprachsynthese mit Emotionen und soll sich damit von älteren Systemen abheben. Die Emotion bestimmt Prosodie, Rhythmus, Betonung und Übergänge – also fast alles, was eine Stimme menschlich klingen lässt. Das Modell leitet diese Färbung aus dem Textkontext ab, statt sie in jedem Aufruf explizit mitgeliefert zu bekommen. Wer will, kann über Prompt-Variablen wie Emotion, Sprechtempo und Betonung nachsteuern, aber nötig ist das nicht.
Die Abdeckung liegt bei über 35 Sprachen und mehreren Dutzend regionalen Dialekten, inklusive der Unterschiede bei Aussprache, Register, Datums- und Währungsformaten. Vorgefertigte Stimmen gibt es in 18 Sprachen, darunter Deutsch, britisches und amerikanisches Englisch, brasilianisches Portugiesisch und Mandarin. Für Unternehmen interessant: Stimmklone lassen sich aus rund 30 Minuten Material erzeugen, Pro Voice geht darüber hinaus und zielt auf Markenstimmen, die über Sprachgrenzen hinweg wiedererkennbar bleiben sollen.
Oft übersehen wird die Aussprache seltener Wörter. Mistral verweist auf einen eigenen Test namens Voice Code Bench, der auf Fehlerfälle im Kundensupport mit Zahlen und Eigennamen ausgelegt ist, sowie auf eine Aussprachekontrolle über Phonem-Hinweise. Diese Auswertungen stammen vom Anbieter selbst beziehungsweise von Partnerlaboren und sind mit Vorsicht zu lesen. Sie adressieren aber ein reales Problem: Ein Assistent, der eine Kontonummer falsch vorliest, ist teurer als einer, der langsamer spricht.
Der Voice Agent SDK: eine Pipeline statt vier Baustellen
Der Voice Agent SDK ist das Herzstück von Voxtral 3, und dort schließt sich das Fließband. Ein Echtzeit-Transkriptionsmodell hört zu und erkennt das Satzende, ein allgemeines Sprachmodell – etwa Mistral Small – übernimmt das Verstehen und ruft Werkzeuge auf, anschließend antwortet die Sprachsynthese im Ton des bisherigen Gesprächs. Keine Station wartet auf die vorige, deshalb bleibt eine Gesprächsrunde unter einer Sekunde. Unterbricht der Anrufer, hört der Agent auf zu sprechen.
Damit wird aus Sprache eine Handlung. Während des Gesprächs kann der Agent eine Identität prüfen, eine Rechnung einsehen oder einen Termin buchen, über Function Calling, Websuche und Retrieval auf den eigenen Systemen. Anrufe kommen über SIP herein, im Browser und in Apps läuft die Verbindung über WebRTC, und die Anbindung an Telefonanlagen, IVR und Contact-Center-Infrastruktur ist Teil des Entwurfs. Das ist der Unterschied zwischen einem Echtzeit-Voice-Agent-SDK mit Tool-Integration und einem Democlip.
Datenschutz und Betrieb: EU-API oder eigene Infrastruktur
Sprachdaten sind personenbezogene Daten. Darauf zielt Mistrals Positionierung. Voxtral 3 ist über eine in der EU gehostete API verfügbar oder lässt sich auf eigener Infrastruktur selbst betreiben. Damit kontrolliert eine Organisation, wo Audio verarbeitet wird, wie damit umgegangen wird und ob Gespräche überhaupt aufbewahrt werden. Für Contact Center, Versicherungen und den Gesundheitsbereich ist das oft die Vorbedingung dafür, dass ein Pilotprojekt überhaupt starten darf.
Datenschutzkonforme Sprachmodelle für Self-Deployment sind damit kein Nebenschauplatz, sondern ein Verkaufsargument gegenüber Anbietern, deren Modelle ausschließlich in der Cloud liegen. Wer die Modelle selbst betreibt, tauscht Bequemlichkeit gegen Verantwortung: Betrieb, Skalierung und Updates liegen dann beim eigenen Team. Die EU-gehostete Variante nimmt diesen Aufwand ab, verlagert die Daten aber weiterhin zu einem Dienstleister. Beide Wege sind legitim, sie verlangen nur unterschiedliche Vorbereitung.
Was das konkret bedeutet
Die Benchmarkzahlen in der Ankündigung stammen vom Anbieter, teils aus internen Auswertungen, und sollten nicht als unabhängig geprüfte Wahrheit gelesen werden. Was sich trotzdem festhalten lässt: Der Preis pro Transkriptionsminute liegt bei 0,0035 US-Dollar, also grob 21 Cent pro Stunde Audio. Die Sprachsynthese kostet 13 US-Dollar pro einer Million Zeichen und liegt damit laut Mistral unter OpenAI TTS-1, Deepgram, ElevenLabs Flash und Gemini Flash. Für eine erste Kostenrechnung im Contact Center reicht das, für eine Ausschreibung braucht es eigene Tests.
Die Neuerung liegt weniger in einem einzelnen Rekord als in der Bündelung. Bisher mussten Teams Spracherkennung, Dialoglogik, Werkzeuganbindung und Sprachsynthese aus vier Quellen zusammenbauen und die Latenz dazwischen selbst in den Griff bekommen. Wenn diese vier Stationen aus einer Hand kommen und zusammen unter einer Sekunde bleiben, verschiebt sich der Aufwand vom Integrieren zum Gestalten von Gesprächen. Ob ein Voice Agent hilft oder nur Zeit kostet, entscheidet sich dort.
Quelle: mistral.ai
