Mistral AI zveřejnil na svém webu rodinu modelů Voxtral 3. Podle stránky novinek vyšla 20. října 2026 a skládá se z modelů pro přepis řeči na text, modelu pro syntézu hlasu a sady nástrojů pro hlasové agenty. Ty mají poslouchat, uvažovat, volat nástroje a odpovídat v jednom souvislém proudu. Firma míří hlavně na kontaktní centra, helpdesky a hlasové asistenty.

Přepis řeči: tři modely a ceny za minutu

Přepisovací část tvoří tři modely. Voxtral Mini Transcribe 3 má 4 miliardy parametrů a stojí 0,0035 dolaru za minutu zvukové nahrávky. Voxtral Small Transcribe 3 je podle Mistralu nejpřesnější a stojí 0,0040 dolaru za minutu. Voxtral Mini Transcribe Realtime 3 je určený pro přepis v reálném čase, má odezvu pod 500 milisekund a za minutu vyjde na 0,008 dolaru.

Mistral uvádí podporu více než 50 jazyků, mezi nimi všech 24 úředních jazyků EU. Čeština se objevuje v jazykových seznamech u testů, úplný seznam jazyků pro přepis ale stránka neuvádí. Modely umějí také rozlišit, kdo právě mluví, a dají se jim předem zadat odborné termíny, které se mají přepsat správně, bez dotrénování modelu.

Co ukazují benchmarky

Firma srovnává své modely s Whisperem, modelem Scribe v2 a Gemini 3.5 Transcribe. V testu rozlišování mluvčích (cpWER, průměr z pěti datasetů) dosáhl Voxtral Small Transcribe 3 chybovosti 18,4 %, menší Mini verze 18,6 %. Pyannote Orchestrator měl 19,0 %, Microsoft AI Transcribe 2 měl 20,3 %, Scribe v2 měl 23,0 % a Gemini 3.5 Transcribe 38,4 %.

U správného zachycení klíčových frází v testu Earnings 22 dosáhl Voxtral Small Transcribe 3 úspěšnosti 94,6 % s kontextem a 81,4 % bez něj. Scribe v2 měl 94,3 % a 84,0 %, Gemini 3.5 Transcribe 87,3 % a 80,9 %. Jde o údaje z grafů, které Mistral sám zveřejnil, nezávislé ověření stránka neuvádí.

Syntéza hlasu bez češtiny

Model Voxtral Mini TTS 3 čte text v 35 a více jazycích a více než 50 dialektech. Cena je 13 dolarů za milion znaků. Mistral tvrdí, že vychází levněji než srovnatelné modely od OpenAI, Deepgramu, ElevenLabs a Googlu. Hlas lze naklonovat z přibližně 30 minut nahrávky a jeho emoce, tempo a důraz jdou řídit pokyny.

Pro české čtenáře je důležité, že čeština mezi jazyky syntézy uvedená není. Přepisovat tedy půjde česky, ale český hlasový agent s tímto modelem zatím stojí na nejisté půdě. Stránka také neuvádí licenci modelů, takže nelze říct, zda půjdou volně stáhnout.

U přepisu v reálném čase Mistral uvádí chybovost slov na testu FLEURS 35 podle zpoždění: při 2 400 milisekundách 5,7 %, při 960 milisekundách 6,0 %, při 480 milisekundách 6,4 % a při 240 milisekundách 7,4 %. Pro srovnání Microsoft AI Transcribe 2 Streaming dosáhl 5,8 % a Scribe v2 Realtime 8,7 %. Kratší zpoždění tedy stojí přesnost, což je u hlasových asistentů obvyklý kompromis.

Hlasový agent a hostování v Evropě

Sada pro hlasové agenty je postavená na platformě LiveKit. Spojuje přepis v reálném čase, jazykový model, například Mistral Small 4, a syntézu hlasu. Každé kolo konverzace podle Mistralu trvá méně než sekundu a agent přestane mluvit, když mu volající skočí do řeči. Zvládá ověřit identitu volajícího, zkontrolovat fakturu nebo objednat termín.

Agent umí přijímat i uskutečňovat hovory přes SIP a běžet v prohlížeči přes WebRTC. Za provoz s Mistralem Small 4 si firma účtuje 0,04 dolaru za minutu, s větším modelem 0,08 dolaru. Modely jsou dostupné přes API s evropskými, americkými i globálními koncovými body a firmy je mohou provozovat i na vlastní infrastruktuře. Pro nasazení v EU je podstatné, že si zákazník může určit, kde se zvuk zpracuje a zda se konverzace ukládají.

Zdroje

• Mistral AI: Voxtral 3, 20. října 2026