Mistral lancia Voxtral 3, famiglia speech con SDK per agenti vocali

Mistral AI lancia Voxtral 3: un pacchetto che unisce riconoscimento vocale, sintesi e un SDK basato su LiveKit per costruire agenti vocali end-to-end via API, in anteprima pubblica¹.

La famiglia comprende tre modelli di trascrizione, un modello di text-to-speech e l’SDK per agenti. Il modello di punta per elaborazioni batch è Voxtral Small Transcribe 3, con diarizzazione e funzioni aggiuntive di traduzione, Q&A su parlato, riassunto e function calling. Accanto a Small c’è Voxtral Mini Transcribe 3, descritto con 4 miliardi di parametri. La dimensione di Small in parametri non è dichiarata. Per i modelli batch, il contesto indicato è di 32.000 token¹.

Il modello di sintesi vocale accompagna l’ASR per chiudere il ciclo voce-testo-voce. L’SDK, costruito su LiveKit, integra in un unico flusso ascolto, ragionamento, chiamate a strumenti e output vocale. L’obiettivo è ridurre collaudi e integrazioni fra componenti separati, offrendo un percorso unico per agenti vocali in tempo reale e in batch¹.

Disponibilità e distribuzione: tutti i componenti risultano in anteprima pubblica tramite Mistral API. Gli endpoint citati coprono Europa, Stati Uniti e global. L’azienda segnala la possibilità di eseguire i modelli su infrastruttura del cliente via canale commerciale. Non sono divulgati requisiti di GPU o memoria. La documentazione indica che Mini si adatta ad ambienti con risorse limitate¹.

Le prestazioni riportate posizionano Small Transcribe 3 fra i primi tre modelli nelle classifiche indipendenti per speech-to-text. La metrica indicata è 2,1% di AA-WER, con il terzo posto su Artificial Analysis. Le note sottolineano solidità nella diarizzazione e nella trascrizione batch multilingue¹.

Nel tempo reale a 240 millisecondi, Mistral riporta 7,4% di WER su FLEURS 35 per Voxtral, confronto diretto con 4,2% per Gemini 3.5 Realtime. Le cifre non includono dettagli su configurazione, hardware o parametri di decoding. Restano quindi utili come riferimento di massima, non come misura definitiva tra sistemi diversi¹.

Nota sui benchmark: le classifiche di Artificial Analysis offrono un quadro comparativo, ma la piena comparabilità dipende da dataset, pipeline e impostazioni. In assenza di specifiche tecniche complete, i numeri servono a orientare, non a decretare vincitori. Dettagli su setup, requisiti hardware e condizioni di test aiuterebbero a valutare latenza effettiva, costo e qualità in scenari reali. Attendiamo chiarimenti quando disponibili¹.

Per chi sviluppa agenti vocali, riunire ASR, TTS e orchestrazione in un unico SDK riduce i punti di integrazione e accelera le prove sul campo. Se la documentazione manterrà questa chiarezza su funzioni e limiti, i team potranno misurare con più rigore cosa conviene costruire in casa e cosa demandare all’API.