Mistral AI uviedla Voxtral 3 pre prepis, syntézu reči a hlasových agentov
Mistral AI predstavila Voxtral 3, sadu modelov na prepis a syntézu reči spolu so SDK pre hlasových agentov v reálnom čase.
Mistral Voxtral 3 je nová sada nástrojov na prácu s rečou, ktorú predstavila spoločnosť Mistral AI. Zahŕňa modely speech-to-text na prepis hovoreného slova, text-to-speech na syntézu reči a SDK na tvorbu hlasových agentov pre streamované konverzácie v reálnom čase.
Služba je dostupná cez Mistral API. Firma zároveň uvádza možnosť nasadenia na vlastnej infraštruktúre zákazníka alebo v privátnom cloude, čo môže byť relevantné pre organizácie, ktoré chcú spracovanie zvuku prevádzkovať vo vlastnom prostredí.
Mistral Voxtral 3 spája reč, modely a nástroje
Súčasťou novinky je voice agent SDK postavené na platforme LiveKit. Podľa Mistralu prepája hlasový vstup, uvažovanie jazykového modelu, volanie nástrojov a hlasovú odpoveď do jedného pracovného toku. SDK má podporovať komunikačné protokoly SIP a WebRTC.
Takéto usporiadanie je určené napríklad pre kontaktné centrá, telefonických agentov či hlasových asistentov. Vývojár nemusí jednotlivé časti hlasovej konverzácie skladať ako samostatné služby, ale môže ich integrovať prostredníctvom jedného SDK.
Jazykové pokrytie sa líši podľa komponentu
Mistral pri Voxtral 3 uvádza širokú podporu jazykov, presné počty však závisia od použitého modelu. Aktuálna dokumentácia uvádza:
- 50 jazykov pre dávkový prepis reči,
- 45 jazykov a dialektov pre prepis v reálnom čase,
- 35 jazykov a viac než 50 dialektov pre syntézu reči.
Označenie „50+ jazykov“ preto nemožno bez ďalšieho vzťahovať na celú produktovú sadu. Týka sa najmä dávkového prepisu; TTS má podľa dokumentácie samostatne definované pokrytie 35 jazykov.
Ceny začínajú pri dávkovom prepise
Mistral uvádza cenu od 0,0035 dolára za minútu pri dávkovom prepise. Prepis v reálnom čase stojí 0,008 dolára za minútu. V oznámení firma prezentuje aj tvrdenia o kvalite, latencii a vlastnostiach syntézy hlasu, tieto parametre však neboli nezávisle overené.
Pri hlasových agentoch bude v praxi dôležitá nielen presnosť rozpoznávania reči, ale aj spoľahlivosť prepojenia s nástrojmi a správanie systému pri prerušení hovoriacim. Mistral deklaruje podporu konverzácií v reálnom čase, no nezávislé porovnania latencie celej konverzačnej slučky zatiaľ nie sú súčasťou dostupných podkladov.
Čo sledovať ďalej
Ďalšie hodnotenie Voxtral 3 bude závisieť od nezávislých benchmarkov presnosti prepisu, latencie a kvality syntézy reči. Otvorené zostávajú aj praktické skúsenosti s volaním nástrojov v produkčných nasadeniach a s prerušovaním agentov počas hovoru.
Zdroje
- Mistral AI — Voxtral 3 – Potvrdzuje uvedenie Voxtral 3, zloženie produktovej sady, integráciu LiveKit, dostupnosť, deklarované funkcie a cenník.
- Mistral Docs — Languages – Potvrdzuje rozlíšené jazykové pokrytie: 50 jazykov pre dávkový prepis, 45 jazykov a dialektov pre realtime prepis a 35 jazykov s viac než 50 dialektmi pre TTS.
Overené a aktualizované: 23. 10. 2026 06:27
