核心要点速览
- Voxtral 3是Mistral AI推出的语音模型组合，包含Transcribe转写模型与Speech语音合成模型，官方称两者均达到当前领先水平。
- 它不是独立应用，而是Mistral语音智能体API的底层引擎，配套基于LiveKit的SDK，方便开发者接入麦克风、通话与音频流。
- Speech支持35种以上语言，Pro Voice可用约30分钟录音复刻音色，适合需要统一品牌声音的语音助手。
- 目前尚无该产品的独立页面，具体价格、限额与开放权重情况需以Mistral AI官网mistral.ai公布为准。
项目速览
| 类型/定位 | 语音转写与语音合成模型组合，语音智能体API引擎 |
|---|---|
| 适用设备 | 通过API与SDK调用，适用于服务器、应用及实时通话场景 |
| 费用说明 | 官方尚未公布独立定价，需查阅mistral.ai |
| 语言支持 | Speech支持35种以上语言；Transcribe语言范围未明确 |
| 核心亮点 | 转写与合成一体，Pro Voice约30分钟录音复刻音色 |
| 使用门槛 | 面向开发者，需具备API调用与实时音频集成基础 |
| 分类 | AI 与新模型 |
| 作者 / 发布方 | Mistral AI |
| 官方网站 | mistral.ai ↗ |
| 热度 | 🔥 热度 27万 |
| 最后更新 |
Voxtral 3是什么：Mistral AI的语音双模型组合
Voxtral 3是Mistral AI在2026年10月20日发布的新一代语音模型系列，最大特点是成对出现：Voxtral 3 Transcribe负责把语音音频转成文字，Voxtral 3 Speech则反过来把文字生成语音。Mistral AI将两者都描述为当前领先水平，但并未在公开信息中给出具体基准分数，读者若关心实测表现，应留意官网后续是否补充评测数据。
这两款模型并非作为独立应用推出，而是共同构成Mistral全新语音智能体API的引擎。换句话说，Mistral AI想提供的不是单个转写工具或配音工具，而是一套让开发者构建“能听会说”的语音助手的底层能力，这也是它与许多只做单一环节的语音产品最明显的区别。
从产品思路看，Voxtral 3延续了Mistral AI一贯的开发者导向：模型能力通过API交付，配套工具链解决工程集成问题。对于正在评估语音方案的技术团队，这意味着可以把转写、合成与智能体编排放在同一家供应商处完成，减少多供应商拼接带来的接口差异与联调成本。
- 双模型分工
Transcribe管输入，Speech管输出，两者组合覆盖语音交互的完整闭环。
- API优先
不提供独立消费级应用，能力通过语音智能体API对外交付。
- 官方表述谨慎
“领先水平”为官方说法，具体指标需以官网后续公布为准。
核心能力拆解：转写、合成与Pro Voice声音复刻
在输入侧，Voxtral 3 Transcribe把 spoken audio 转成文本，适用于会议记录、通话内容整理、语音指令理解等场景。官方公开信息没有细化它的采样要求、延迟表现或支持语言数量，因此如果你的业务涉及小语种或强噪声环境，建议先在官网确认技术文档，再用自有样本做小规模验证。
在输出侧，Voxtral 3 Speech支持35种以上语言，覆盖面在同类语音合成模型中属于较广的一档。多语言支持意味着同一个语音智能体可以用不同语言与用户对话，而不必为每种语言单独接入不同供应商，这对跨境客服、多语种导览类产品尤其关键。
Pro Voice是Speech之上的增值能力：提供约30分钟录音，模型即可复刻该声音。对于需要统一、可识别品牌声音的语音助手，这比每次调用都随机生成音色更实用。需要注意的是，声音复刻涉及授权与合规问题，使用前应确保录音提供方明确同意，并遵守当地关于AI生成语音的披露要求。
- 转写侧
负责语音到文本，具体语言覆盖与延迟指标尚未在公开信息中细化。
- 合成侧
支持35种以上语言，适合多语种语音助手与内容配音。
- Pro Voice
约30分钟录音即可复刻音色，需注意授权与合规披露。
- 组合价值
听与说由同一家提供，减少多供应商拼接的接口摩擦。
怎么接入：语音智能体API与LiveKit SDK工作流
Voxtral 3的落地方式是语音智能体API。开发者把Transcribe与Speech接入自己的助手逻辑，就能实现“用户说话—模型转写—智能体决策—语音回答”的完整链路。Mistral AI并未把它包装成开箱即用的成品应用，因此你需要有自己的业务逻辑与后端服务来承载对话流程。
配套SDK基于开源实时音视频框架LiveKit构建，这一点对工程团队很实用。麦克风采集、通话接入与音频流传输这些实时音频的“管道”工作，可以直接借助SDK完成，而不必从零搭建音频基础设施。对于需要低延迟双向语音的应用，实时传输层往往比模型本身更耗时，SDK的存在明显降低了起步门槛。
需要提醒的是，目前Mistral AI尚未为Voxtral 3设立独立产品页面，API的具体端点、配额、计费方式与SLA都应以官网mistral.ai的开发者文档为准。在正式接入前，建议先确认账号权限、试用额度与数据处理条款，尤其是涉及用户录音的场景，要提前规划存储、脱敏与保留策略。
- 实时音频管道
SDK基于LiveKit，覆盖麦克风、通话与音频流传输。
- 自建对话逻辑
API提供听与说，决策与业务流程仍需团队自行实现。
- 先查官网
端点、配额与计费尚未公开细化，接入前应以mistral.ai文档为准。
适用场景、同类对比与当前局限
现实中最直接的使用场景包括多语种智能客服、语音助手、会议与通话转写、有声内容配音，以及需要统一品牌音色的语音播报。对于已经使用Mistral AI文本模型的团队，Voxtral 3的吸引力在于把语音环节并入同一技术栈，减少跨供应商的数据流转与合同管理成本。
与只做转写或只做合成的单一能力产品相比，Voxtral 3的优势是“一套接口覆盖听与说”，并附带实时音频SDK；与大型云厂商的全套语音服务相比，它的公开资料目前还比较少，生态与区域覆盖情况有待观察。选择时应重点比较语言覆盖、延迟、声音自然度与合规支持，而不是只看模型名称。
局限也很明确：没有独立应用，普通用户无法直接“打开就用”；价格、限额与是否开放权重均未在公开信息中确认；Pro Voice的声音复刻带来明显的合规责任。它更适合有开发能力、愿意自行验证效果的团队，而不是追求即开即用的个人用户。
- 适合谁
需要多语种语音交互且具备开发能力的团队与企业。
- 不适合谁
希望零代码直接使用的个人用户，目前没有独立应用入口。
- 对比要点
重点比较语言覆盖、延迟、音色自然度与合规支持。
- 待确认项
定价、配额与开放权重情况需以官网mistral.ai为准。
分步上手指南
确认需求与语言范围
先梳理你的场景是转写、合成还是双向语音交互，并列出需要的语言。Speech支持35种以上语言，但Transcribe的语言覆盖未在公开信息中细化，需在官网核对。
查阅官方文档与账号权限
前往Mistral AI官网mistral.ai查看语音智能体API的文档、配额与计费说明，并确认账号是否已开通相应权限。由于暂无独立产品页，一切以开发者文档为准。
用SDK搭建实时音频链路
基于LiveKit的SDK接入麦克风采集、通话与音频流传输，先把音频通路跑通。建议用短音频做端到端测试，确认延迟与稳定性后再扩展。
接入Transcribe与Speech
把转写结果送入你的对话逻辑，再将回复交给Speech生成语音。若需要统一品牌音色，可用约30分钟录音配置Pro Voice，并确保录音授权合规。
小流量验证后再上线
用真实场景样本评估转写准确率、语音自然度与响应速度，记录问题并调整。正式上线前补齐用户告知、录音存储与脱敏策略，避免合规风险。
常见问题
Voxtral 3是什么？由谁发布？
Voxtral 3是Mistral AI于2026年10月20日发布的新一代语音模型组合，包含负责语音转文字的Transcribe和负责文字转语音的Speech。它并非独立应用，而是Mistral语音智能体API的底层引擎，配套基于LiveKit的SDK供开发者集成。
Voxtral 3怎么用？普通用户能直接玩吗？
目前它面向开发者，通过API与SDK调用，没有面向普通用户的独立应用入口。你需要具备开发能力，把转写与合成接入自己的语音助手或业务流程。若只想体验语音转写，可先关注Mistral AI官网是否推出演示或试用入口。
Voxtral 3收费吗？价格是多少？
公开信息中尚未公布Voxtral 3的独立定价、免费额度或调用限额。由于它随语音智能体API交付，费用很可能与API用量挂钩，但具体标准需以Mistral AI官网mistral.ai的开发者文档为准，接入前建议先确认试用政策。
Pro Voice声音复刻需要多少录音？有什么注意事项？
根据公开信息，Pro Voice大约需要30分钟录音即可复刻声音，适合需要统一品牌音色的语音助手。使用时必须确保录音提供方明确授权，并遵守当地关于AI生成语音的披露规定，避免用于冒充他人或误导性场景。
Voxtral 3支持哪些语言？和同类产品比怎么样？
Speech支持35种以上语言，Transcribe的具体语言覆盖未在公开信息中细化。与单一能力的转写或合成产品相比，它的优势是一套接口覆盖听与说并附带实时音频SDK；但公开评测与生态资料仍较少，建议用自有样本实测后再做选型。
