Mistral Voxtral 3: modele mowy i agenci głosowi z polskim i API w UE

Francuska firma Mistral AI udostępniła Voxtral 3 – rodzinę modeli mowy i zestaw narzędzi do budowy agentów głosowych. To jedna z ważniejszych premier października dla firm, które chcą automatyzować rozmowy telefoniczne i obsługę klienta, a jednocześnie trzymać dane w Europie.

Co dokładnie się pojawiło

Voxtral 3 łączy trzy elementy: rozpoznawanie mowy, syntezę mowy oraz SDK agenta głosowego. Modele transkrypcji obsługują ponad 50 języków, w tym język polski, a także diarizację (kto mówił) i tzw. context biasing, czyli podpowiadanie specjalistycznego słownictwa. Wariant realtime ma według Mistrala opóźnienie poniżej 500 ms, co ma znaczenie przy rozmowach na żywo.

Synteza mowy (Voxtral Mini TTS 3) obejmuje ponad 35 języków i 50 dialektów oraz pozwala sterować emocją, tempem i akcentowaniem. SDK agenta – oparte o LiveKit – łączy słuchanie, rozumowanie, wywołanie narzędzi i odpowiedź głosową w jednym strumieniu. Agent może podczas rozmowy sprawdzić fakturę, zarezerwować termin albo zweryfikować tożsamość rozmówcy.

Dlaczego to ciekawe dla polskich firm

Polski jest na liście języków, a API Mistrala jest hostowane także w UE. Dla firm z branży call center, medycznej, prawniczej czy finansowej to sygnał, że da się budować asystentów głosowych bez wysyłania nagrań poza Europę. Możliwy jest też self-hosting na własnej infrastrukturze – wtedy nagrania w ogóle nie muszą opuszczać serwerowni.

Ceny startują od ok. 0,0035 $ za minutę transkrypcji w wariancie Mini (batch) oraz 13 $ za milion znaków przy TTS. Gotowy pakiet „voice agent” z modelem rozumującym kosztuje według cennika 0,04–0,08 $ za minutę rozmowy, w zależności od wybranego modelu.

Na co uważać przed wdrożeniem

Public preview nie oznacza jeszcze gotowości produkcyjnej w każdym scenariuszu. Warto przetestować jakość na realnych rozmowach po polsku – z gwarą, skrótami i szumem w tle – oraz sprawdzić, jak model radzi sobie z numerami PESEL, NIP i adresami. Przy self-hostingu trzeba też policzyć koszty GPU; przy API – politykę retencji nagrań i umowę powierzenia danych.

Jeśli budujesz chatboty głosowe, automatyzujesz infolinię albo chcesz dodać dyktowanie do wewnętrznych narzędzi, Voxtral 3 warto dodać do krótkiej listy rozwiązań do porównania obok OpenAI Realtime, Google i rozwiązań lokalnych opartych o Whisper.

Źródło: Mistral AI – Voxtral 3

Artykuł zredagowany przy pomocy AI.