Mistral hat Voxtral 3 vorgestellt, eine neue Familie für Sprache. Sie umfasst Transkriptionsmodelle, die Sprache in Text umwandeln, Sprachmodelle für Sprachausgabe und ein SDK für Voice-Agenten. Die Ankündigung ist vom 20. Oktober 2026 und steht in der Mistral-Quelle.
Was Voxtral 3 neu macht
Mistral unterscheidet mehrere Modelle und ein SDK:
- Voxtral Small Transcribe 3 erkennt Sprache in über 50 Sprachen. Das Modell trennt Sprecher, nutzt vorgegebene Schlüsselbegriffe zur Verbesserung der Erkennung und erkennt, wann jemand fertig gesprochen hat.
- Voxtral Mini Transcribe 3 hat laut Mistral 4 Milliarden Parameter und kostet 0,0035 US-Dollar pro Minute.
- Voxtral Realtime Transcribe 3 ist für Agenten gedacht. Laut Mistral liefert es unter 500 Millisekunden Latenz in über 35 Sprachen.
- Voxtral Mini TTS 3 erzeugt Sprache in über 35 Sprachen und 50 Dialekten. Die Stimmen passen Emotion, Tempo und Betonung an den Gesprächskontext an.
- Pro Voice soll eine Stimme mit etwa 30 Minuten Audio so nachbilden, dass Charakter und Sprechstil erhalten bleiben.
Das Voice-Agent-SDK verbindet Zuhören, Denken, Tool-Aufrufe und Sprechen in einer Echtzeit-Pipeline. Agenten können damit während eines Telefonats oder Web-Gesprächs Informationen abrufen und Aufgaben in angebundenen Systemen ausführen.
Die Zahlen: Transkription laut Hersteller
Mistral vergleicht die Wortfehlerrate (WER) im Benchmark FLEURS 45. Niedriger ist besser. Die Werte stammen laut Hersteller. Die Spanne zeigt die Messung mit und ohne vorgegebene Sprache:
- Voxtral Small Transcribe 3: 4,0–4,1 %
- Microsoft AI Transcribe 2: 4,0–4,1 %
- Scribe v2: 4,9 %
- Whisper large-v3: 14,9–16,0 %
Die Einordnung ist entscheidend. Voxtral Small liegt laut Mistral gleichauf mit Microsoft AI Transcribe 2. Mistral nennt Vorsprünge gegenüber Whisper, Scribe v2 und Gemini 3.5 Transcribe. Einen eindeutigen Testsieger gibt es damit nicht. Voxtral Small steht in der Spitzengruppe, gleichauf mit Microsoft.
Was das für die Praxis bedeutet
- Kundenservice und Telefonie: Echtzeit-Transkription, Sprecher-Trennung und Sprachausgabe passen zu Telefon-Agenten. Mistral wirbt dabei mit niedriger Latenz und automatischer Erkennung des Gesprächsendes.
- Fachsprache: Context-Biasing soll Fachbegriffe ohne Feintuning besser erkennen.
- Datenkontrolle: Die Modelle laufen über die EU-gehostete API oder auf eigener Infrastruktur. Laut Mistral lässt sich steuern, ob Audio gespeichert wird.
Grenzen
- Alle Benchmark-Zahlen sind Herstellerangaben. Eine unabhängige Messung mit echten Telefonaufnahmen, Akzenten und Fachvokabular fehlt bislang.
- Für die Sprachausgabe nennt Mistral keine vergleichbaren Qualitätszahlen. Die Aussagen zu Emotion und Pro Voice sind Beschreibungen, keine Messwerte.
- Der Benchmark deckt 45 Sprachen ab. Die 50+ Sprachen des Gesamtangebots sind in der Quelle nicht einzeln belegt.
Fazit
Für Sprachagenten ist Voxtral 3 laut Herstellerdaten ein ernstzunehmender Kandidat. Die Transkription liegt in der Spitzengruppe, dazu kommen Sprachausgabe und SDK. Ob das für deine Sprache, deine Audioqualität und deinen Fachwortschatz trägt, zeigt nur ein eigener Test mit echten Aufnahmen.
