摘要： Mistral 在 2026 年 10 月 20 日發表 Voxtral 3，包含轉寫與語音合成兩條模型線，外加一個語音代理 SDK，把聆聽、推理、工具呼叫和說話串成一條即時串流管線。對想做電話客服、語音助理的團隊來說，這是把過去要自己拼裝多個服務的工作收進單一框架，還多了 EU 託管或自行部署的資料主權選項。
語音代理難在哪
Mistral 在公告裡點出一個老問題：轉寫和語音生成各自都成熟了，但要做一個能即時「聽、想、說、做事」的完整語音代理，仍然很難。四件事要同時做好——跨語言與口音準確聽寫、理解使用者的意圖、自然有情感的表達、還要能跨系統執行多步驟動作。
Voxtral 3 的答案是把這四件事放進同一條管線。SDK 讓代理能在通話中即時查資料、呼叫業務系統、完成任務。公告裡示範的場景是：使用者用英語口述一封法文轉診信，代理先轉寫法文內容，再用英語摘要解釋，接著查時段、完成預約——整段對話中夾雜多次 tool call。
轉寫模型：規格與價格
語音轉文字部分有幾個值得注意的點：
- Voxtral Small Transcribe 3：Mistral 稱其在多語轉寫與 diarization（判斷誰在何時說話）上達到 state-of-the-art，宣稱超越 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。
- Voxtral Mini Transcribe 3：4B 參數，價格為每分鐘 $0.0035，主打快速與低成本。
- Voxtral Realtime Transcribe 3：為代理場景設計，延遲低於 500ms，支援 35 種以上語言。
兩個實用功能是 context biasing（提供關鍵詞提升術語召回率，不用 fine-tune 就能處理領域詞彙）和 end-of-turn prediction（結合聲學與語意訊號判斷使用者是否說完，減少插話誤判）。語言覆蓋擴到 50 種，含 24 個歐盟官方語言及多種低資源亞洲與印度語言。
TTS：情感自適應與發音控制
Voxtral Mini TTS 3.0 定價每百萬字元 $13，Mistral 宣稱比 OpenAI TTS-1、Deepgram、ElevenLabs Flash、Gemini Flash 等同類服務便宜。它支援 35 種以上語言、50 種以上方言，並內建語音克隆——用 30 分鐘以上的音檔就能複製說話者的風格與情感範圍（Pro Voice 功能）；TTS 部分的語音克隆門檻則是 30 分鐘以上音訊。
比較特別的設計是 TTS 會自行解讀文本語境來決定情感、節奏與強調，而不需要額外的語音指令。也支援 phoneme hint 修正罕見詞發音，例如產品名或人名——這在企業客服場景（數字、專有名詞念錯就出事）是實打實的需求。Mistral 引用 BeSimple AI 的 Voice Code Bench 和自家內部評測來支撐品質與性價比主張；這些是廠商自己的基準，實際表現還是建議用自己的音訊跑一輪驗證。
對部署的意義
Voxtral 3 可透過 Mistral 的 EU 託管 API 使用，也能自行部署到自有基礎設施，組織可以控制音訊在哪裡處理、是否保留對話紀錄。對受法規約束的產業（醫療、金融、公部門），這個彈性往往是選型的關鍵條件，而不只是加分手勢。
語音代理的成本曲線正被多方壓低——xAI 先前發表 Grok Voice 3.0 時也是同樣「加量不加價」的策略（見先前文章：語音 agent 的成本曲線被壓下來了）。Voxtral 3 的差異化在於把 STT、TTS、代理工具呼叫包成一個 SDK，並且以資料主權為賣點。若你的產品需要多語音客服，值得用它提供的 benchmark 圖表和定價，跟現有的 ASR/TTS 供應商逐項對比一次。