先看证据
发布重点从识别模型移向完整对话链
Mistral AI 于 2026 年 10 月 20 日发布 Voxtral 3，将三款语音转文字模型、一款语音合成模型和一个基于 LiveKit 的语音代理 SDK 放在同一产品家族中。它面向的不是单纯把录音转成文字，而是让系统在实时交流中完成聆听、判断用户是否说完、调用工具，再用语音作答。
这使发布的判断标准发生了变化。单个转写模型的准确率仍重要，但上线语音代理还取决于不同模型之间的衔接、打断处理、总响应时间和调用成本。Mistral 称代理每轮对话可在一秒内完成，不过这是对整条流水线的厂商描述，不能直接当作实时转写的延迟指标。
可替换的阶段，意味着集成责任也留给团队
SDK 把对话拆成三个连续阶段：实时转写模型接收语音并判断回合结束，通用语言模型负责推理和工具调用，TTS 模型生成语音回复。Mistral 还称回合检测会结合声学与语义线索；各阶段相互独立，因此团队可以替换 LLM、声音或语言。系统可用于 SIP 电话，也可接入基于 WebRTC 的浏览器或应用会话。
这种设计的优势是选型弹性，而非模型完全一体化。团队可以按任务替换某个环节，而不必把全部对话逻辑绑定到一个语音模型。不过，模块化也意味着团队要对跨模型的时序、错误处理和整体体验负责。LiveKit 提供了编排基础，公开材料并未因此证明每个模型适配器、故障策略或生产级配置都已替工程团队解决。
批处理成绩亮眼，不等于实时对话占优
Small Transcribe 3 在 Artificial Analysis 的非流式榜单上为 2.1% AA-WER，材料所列当时排名第三，前面是 1.7% 和 2.0% 的结果。这个成绩说明它在该榜单所覆盖的转写任务上有竞争力，但 AA-WER 与 Mistral 公布的 FLEURS 45 WER 是不同指标，不能把数字放在一起直接比较。Mistral 自报的 FLEURS 45 结果中，Small 在强制指定和自动推断语言下分别为 4.1% 和 4.0%。
实时测试揭示了另一个取舍。按 Mistral 转述的 FLEURS 35 结果，延迟设为 2,400 毫秒时 WER 为 5.7%，480 毫秒时为 6.4%，240 毫秒时升至 7.4%；材料中 Gemini 3.5 Realtime 的对应结果为 4.2%。也就是说，Voxtral 的批处理排名不能直接回答它是否适合需要迅速插话、纠错或确认的通话场景。榜单名次会随数据更新而变化，实时结果也需要结合具体语言和任务复测。
上下文和说话人信息，可能比单一 WER 更贴近业务
Voxtral 的批处理转写覆盖 50 种语言，并提供说话人分离和上下文偏置等能力，具体支持取决于模型与模式。上下文偏置允许输入关键术语或文本，帮助系统更准确地识别领域词汇。Mistral 公布的 Earnings 22 关键词召回结果显示，Small 使用上下文时为 94.6%，不使用时为 81.4%。这组数字提示，对财报、客服产品名或内部术语较多的场景，提供词表本身可能改变转写可用性。
说话人分离也提供了另一个观察角度。材料中的五个公开数据集汇总结果显示，Small 的 diarization cpWER 为 18.4%，Mini 为 18.6%，Mistral 将其与 Pyannote 的 19.0% 和 MAI-Transcribe-2 的 20.3% 对照。这里的指标是包含说话人归属影响的错误率，不等同于普通 WER。对需要会议纪要或通话质检的团队，是否能正确分清“谁说了什么”，可能比单看词错误率更接近产品要求，但仍要用真实录音验证。
价格与部署口径仍需放进整条流水线核算
Mistral 公布的转写 API 价格为：Mini 批处理每分钟 0.0035 美元，Small 每分钟 0.004 美元，Mini 实时每分钟 0.008 美元。TTS 为每百万字符 13 美元，代理推理则按所用模型分别列出每分钟 0.04 美元或 0.08 美元。对技术负责人来说，这些单价是预算入口，不是总拥有成本：实际账单还取决于对话时长、生成字符、模型选择和各阶段调用方式，不能只拿转写价格估算一个语音代理的成本。
Voxtral 3 目前处于公开预览，模型可通过 Mistral API 使用，也可通过 Mistral 销售渠道部署到自有基础设施。公开材料没有给出 Small 的参数规模，也没有披露 GPU 与显存需求；Mini Transcribe 3 则标为 4B 参数。另有一个产品口径需要留意：发布材料概括为一款 TTS，音频文档则列出批处理和实时 TTS 型号，现有公开信息没有解释这一计数差异。正式选型前，应先在目标语言和真实通话上测延迟、错误率、打断行为与端到端成本，并确认自托管资源要求和具体型号能力。