AI 新闻·2026年10月21日·来源： Techtimes

Mistral Voxtral 3 将完整语音代理管道整合至单一 SDK，每分钟 0.04 美元，超越 Whisper

Mistral AI 推出了 Voxtral 3，这是一款将转录、语言模型和文本转语音整合至单一语音代理管道的 SDK。该公司声称其延迟时间低于一秒，在多语言准确性方面优于 Whisper large-v3，完整管道定价为每分钟 0.04 美元。

Nexa 摘要

Voxtral 3 提供的核心是，它将传统上需要三个独立供应商合同才能实现的转录、语言模型和文本转语音整合到一个单一的开发人员 SDK 中。这种整合方法旨在通过将这些阶段整合到一个流式管道中，简化实时对话式 AI 的开发，潜在地降低开发人员的复杂性和整合开销。

Mistral AI 报告称，Voxtral 3 的旗舰转录模型在 FLEURS 多语言语音基准测试中，指定语言时的词错误率为 4.1%，自动检测模式下为 4.0%。该公司表示，此性能在多语言准确性方面超越了 Whisper large-v3 和 OpenAI 的 GPT Transcribe。这使得 Voxtral 3 成为语音转文本任务的竞争选项，而其完整的语音代理管道定价为每分钟 0.04 美元，约为 OpenAI Realtime API 成本的一半。

对于考虑将 Voxtral 3 用于欧洲市场的开发人员来说，《欧盟人工智能法案》关于 AI 生成音频的透明度义务和水印要求已经生效。任何部署在欧盟的语音代理，包括基于 Voxtral 3 构建的语音代理，都必须遵守这些技术标准，其中包括机器可读的水印。不遵守规定可能导致最高 1500 万欧元或全球年度营业额 3% 的罚款。