Mistral выпустила Voxtral 3 — голосовой стек для агентов в реальном времени

Французская AI-компания Mistral AI объявила о выходе Voxtral 3 — серии моделей распознавания и синтеза речи, а также набора инструментов для разработки голосовых ассистентов на основе LiveKit, фреймворка для аудио- и видео в реальном времени. Модель распознавания речи поддерживает больше 50 языков с задержкой меньше 500 мс. Её можно развернуть либо на своих серверах, либо через облачный сервис Mistral в ЕС. Распознавание минуты аудио будет стоить от $0.0035.

Низкая задержка и возможность развернуть решение на своих серверах — ключевые факторы, когда решаешь, можно ли доверить голосовому агенту живой звонок с твоими клиентами. Задержки в полсекунды достаточно, чтобы диалог ощущался естественным, а не роботизированным, с неловкими паузами. По словам Mistral, их модель распознавания речи показывает ошибку 4–4,1% на мультиязычном бенчмарке FLEURS 45. Низкая цена за минуту облегчает старт первого голосового ассистента для поддержки клиентов или бронирования. А возможность развернуть решение на своих серверах даёт свободу от зависимости от конкретного облачного провайдера. Лучше ли Voxtral 3, чем Whisper (модель распознавания речи от OpenAI), или другие решения, которые сейчас используются на практике? Это пока неизвестно, но если ты хочешь собрать голосового ассистента, Voxtral 3 — это то, чем можно реально пользоваться, а не просто смотреть.