The Pulse
Mistral lancia Voxtral 3, uno stack per agenti vocali
Mistral ha lanciato Voxtral 3 il 20 ottobre 2026, abbinando modelli vocali a un SDK basato su LiveKit per agenti vocali in grado di trascrivere, ragionare, chiamare strumenti e parlare. I modelli supportano la trascrizione in più di 50 ling
AI.info Team · Scritto con l’IA · verificato ·
Meno di un secondo per turno di conversazione: è l’obiettivo dichiarato da Mistral per Voxtral 3, uno stack per agenti vocali che l’azienda ha lanciato il 20 ottobre 2026. Il sistema combina riconoscimento vocale, un modello di ragionamento e generazione vocale in una pipeline di streaming, con un SDK per collegare gli agenti agli strumenti aziendali e ai sistemi telefonici.
Mistral propone lo stack come un modo per creare agenti capaci di fare più che trascrivere e rispondere: possono recuperare informazioni, chiamare funzioni e portare a termine attività mentre la conversazione è in corso. Tra gli esempi dell’azienda figurano il controllo di una bolletta, la verifica dell’identità di chi chiama e la prenotazione di un appuntamento. Sono funzionalità del prodotto descritte da Mistral, non risultati di test indipendenti.
Tre fasi operano insieme, non una dopo l’altra
L’SDK, basato su LiveKit, coordina modelli distinti per l’ascolto, il ragionamento e la produzione della risposta vocale. Voxtral Mini Transcribe Realtime 3 rileva quando chi chiama ha finito di parlare; un modello generalista, come Mistral Small, gestisce il ragionamento e le chiamate agli strumenti; Voxtral Speech 3 genera la risposta parlata. Secondo Mistral, le fasi operano in parallelo anziché aspettarsi l’una con l’altra: è su questa base che l’azienda sostiene che ogni turno richieda meno di un secondo.
«Nessuna fase aspetta quella precedente, quindi ogni turno si completa in meno di un secondo e l’agente smette di parlare quando chi chiama lo interrompe.»
Mistral
L’SDK supporta le chiamate tramite SIP e le sessioni da browser o app tramite WebRTC, ed è progettato per collegarsi ai software esistenti per la telefonia, la risposta vocale interattiva e i contact center. Poiché ogni fase è affidata a un modello distinto, gli sviluppatori possono cambiare il modello linguistico o la voce senza riscrivere l’agente.
La trascrizione copre 50 lingue; la generazione vocale 35
Secondo Mistral, la trascrizione di Voxtral supporta più di 50 lingue, tra cui 24 lingue ufficiali dell’Unione europea. I modelli di trascrizione offrono anche la diarizzazione, che identifica chi ha parlato e quando, e l’adattamento al contesto: gli sviluppatori possono fornire nomi o termini tecnici per migliorare il riconoscimento del vocabolario specifico di un settore.
Per il modello di trascrizione in tempo reale è indicata una latenza inferiore a 500 millisecondi. La pagina di lancio di Mistral descrive la copertura linguistica in tempo reale sia come superiore a 35 lingue sia, altrove, come superiore a 40; l’azienda indica il dato più ampio di oltre 50 lingue per la sua famiglia di modelli di trascrizione. Voxtral Speech 3 supporta più di 35 lingue e 50 dialetti, con controlli per emozione, ritmo ed enfasi. Mistral afferma inoltre che per adattare la voce possono bastare 30 minuti di audio di esempio.
La trascrizione parte da 0,0035 dollari al minuto
Mistral indica un prezzo di 0,0035 dollari al minuto per Voxtral Mini Transcribe 3 in modalità batch, 0,004 dollari al minuto per Voxtral Small Transcribe 3 e 0,008 dollari al minuto per il modello Mini di trascrizione in tempo reale. Voxtral Speech 3 costa 13 dollari per milione di caratteri sia in modalità batch sia in tempo reale. Lo stack completo per agenti è accessibile tramite l’API di Mistral; l’azienda afferma che è possibile ottenere una distribuzione on-premises o su cloud privato contattando il suo team.
Il lancio comprende anche una dichiarazione sulla localizzazione dei dati: secondo Mistral, le organizzazioni possono usare la sua API ospitata in Europa o distribuire lo stack sulla propria infrastruttura per controllare dove viene elaborato l’audio e se le conversazioni vengono conservate. Per la sua API sono indicati endpoint europei, statunitensi e globali, quindi le opzioni di distribuzione dipendono dall’endpoint e dalla configurazione scelti dall’organizzazione.
Le affermazioni di Mistral sull’accuratezza si basano su un confronto condotto dall’azienda
Mistral afferma che il suo modello di trascrizione Small supera Whisper, Scribe v2 e Gemini 3.5 Transcribe nella trascrizione multilingue e nella diarizzazione. La pagina di lancio presenta risultati di benchmark, comprese valutazioni su dataset pubblici, ma il confronto è pubblicato dalla stessa Mistral. Anche i confronti sulla generazione vocale si basano su test descritti nella pagina dell’azienda, comprese valutazioni effettuate da Gemini 3.8 Flash.
Per le aziende, la proposta principale di Voxtral 3 è un unico percorso dalla richiesta parlata all’azione, con la possibilità di sostituire i componenti e scegliere una regione per l’API o una distribuzione privata. I prezzi pubblicati riguardano i modelli vocali; la pagina di lancio non indica un prezzo separato per l’SDK per agenti vocali né una tariffa complessiva per un’intera chiamata.