Mistral hat am Montagmittag Voxtral 3 vorgestellt: eine neue Familie von Sprach-zu-Text- und Text-zu-Sprache-Modellen, und dazu ein SDK für Sprachagenten, das Zuhören, Denken, Werkzeugaufrufe und Antworten in eine einzige Streaming-Pipeline legt.
Vier Dinge gleichzeitig, in Echtzeit
Mistral beschreibt das Problem selbst ganz nüchtern: Ein brauchbarer Sprachagent muss über Sprachen, Akzente, Sprecher und Unterbrechungen hinweg richtig zuhören, verstehen, was gemeint ist, natürlich klingen und danach mehrere Schritte in angeschlossenen Systemen ausführen. Jedes Stück davon funktioniert seit Jahren. Alle vier zusammen und ohne hörbare Verzögerung sind die Hürde.
Das Transkriptionsmodell Voxtral Small Transcribe 3 soll über 50 Sprachen abdecken, erkennt, wer gerade spricht, lässt sich mit Schlüsselwörtern auf eigenes Vokabular einstellen und merkt, wann jemand ausgeredet hat – ohne diese Erkennung antwortet ein Agent entweder zu früh oder zu spät. Auf der Ausgabeseite steht Voxtral Mini TTS 3 mit neuen Stimmen, die Emotion, Tempo und Betonung an den Gesprächsverlauf anpassen, in über 35 Sprachen und mehr als 50 Dialekten.
Preise und Zuschnitt
Die Transkription beginnt bei 0,0035 Dollar je Minute im Batch-Betrieb. Die Realtime-Variante kostet 0,008 Dollar je Minute, deckt über 40 Sprachen ab und soll unter 500 Millisekunden Latenz bleiben. Für die Sprachausgabe verlangt Mistral 13 Dollar je Million Zeichen Eingabe.
Als Einsatzgebiete nennt Mistral Callcenter, Service-Desks, virtuelle Assistenten und Copiloten für Leute, die gerade keine Hand frei haben. Über das erste Voxtral-TTS-Modell habe ich im März geschrieben, damals mit neun Sprachen und Open-Source-Gewichten. Der Sprung liegt diesmal weniger bei der Sprachqualität als bei dem Agenten-Gerüst um sie herum.
Der Verkaufsgrund steht nicht bei den Benchmarks
Voxtral 3 läuft über Mistrals EU-gehostete API oder auf eigener Infrastruktur. Das ist der Satz, auf den es für europäische Anbieter hinausläuft: Bei einem Sprachagenten im Kundenservice verlässt nicht Text das Haus, sondern die Stimme des Anrufers, und wer Aufnahmen verarbeitet, muss sagen können, wo sie liegen und wie lange. Bei den Modellzahlen wird Mistral gegen die großen US-Anbieter nicht immer vorne liegen. Bei dieser Frage steht das Unternehmen fast allein auf dem Platz.