十月二十日，Mistral 放出了 Voxtral 3。
不是又发一个语音识别模型。它一次给了五款语音模型，外加一个语音智能体开发包，把「听清」「想明白」「调工具」「说出来」塞进同一条流水线。接电话的报价是每分钟四美分。
做过语音 Agent 的人对这张账单应该有感觉。过去这套东西要拼三个供应商：一家做转录，一家做推理，一家做语音合成，中间还得自己写一层胶水。每一跳都加延迟，每一跳都是一张发票。
但先别急着迁。这次发布里最关键的几个数字，官方并没有给全。
语音 Agent 难的不是模型，是四件事要同时发生
一段真实的通话要同时做到四件事：听准（多语言、口音、多人说话、随时打断）、想明白对方到底要什么、说得像人、以及跨系统把事办完。
传统做法是一句一停：转录等你静音，静音了才敢往下走。这就是很多语音机器人「反应慢半拍」的来源——不是模型笨，是流水线在排队。
Voxtral 3 的思路是把这几段并行起来，没有任何一段要等上一段跑完。人打断的时候它会立刻闭嘴。官方说每一轮交互能压到一秒以内。
盒子里装了什么
五个模型分两类。
转录三个。 Voxtral Small Transcribe 3 最准，带说话人分离（谁在什么时候说），还有一个很实用的能力叫关键短语偏置：你给它一张业务词表——产品名、账号字段、人名——不用微调模型，它就会优先往这些词上靠。另外它原生判断「对方说完了没有」，靠声学和语义两路信号，不靠固定静音计时。Voxtral Mini Transcribe 3 是四十亿参数的批处理版，便宜。Mini Transcribe Realtime 3 做流式，官方称亚五百毫秒出字。
合成两个。 Voxtral Mini TTS 3 和 Speech 3，覆盖三十五种以上语言、五十种以上方言，其中十八种有现成音色（荷兰语、德语、法语都在里面）。它按对话上下文调整情绪、语速和重音，也可以用显式标签一行一行指定，比如 [emotion=sad][pace=slow]，一共三十四个情绪标签，首字延迟约九十毫秒。另外有个 Pro Voice，三十分钟录音就能复刻一个人的音色和说话风格，还能跨语言。
开发包一个。 基于 LiveKit，电话走 SIP，网页和应用走 WebRTC，能接进企业现有的交换机和客服系统。通话中可以核身份、查账单、订时间，靠的是函数调用、联网搜索和检索自家系统。
最值得记的设计是：每一段都是独立模型。换脑子不用换嘴，换嘴也不用重写逻辑。
站内微软那篇智能体评测手册讲过一个规律：智能体翻车多半不是「不会」，是「用错工具」或「根本没被调用」。语音场景把这个问题放大了一档——你只有一句话的时间，工具调错了就没法补。
一分钟四美分的账，缺了三行
官方价格表是这样：
批处理转录，Mini 每分钟零点零零三五美元，Small 每分钟零点零零四美元；实时转录每分钟零点零零八美元。语音合成按字符算，每一百万字符十三美元。
智能体接口按分钟算：推理用 Mistral Small 4 是每分钟四美分，换成任何其他推理模型就是八美分。
算一下：一个月一万分钟通话，前者四百美元，后者八百美元。价格差整整一倍，这就是明摆着的锁定设计——想用别家的脑子，得付双倍。
然后是三行没写的。
第一行，这四美分含不含转录和合成？ 价格表没说。如果智能体分钟价之外还要另算转录和合成，实际成本会往上走一截。
第二行，Pro Voice、私有部署、电话线路本身各多少钱？ 都没有报价。Pro Voice 走商务，自部署走销售，电话号段是第三方的钱。
第三行，自部署的条款是什么？ 只说「可以部署在你自己的基础设施上」，支持哪些硬件、授权怎么算、有没有最低量，全在销售手里。
官方把另一半卖点放在「音频不出境」上：欧盟托管接口，或者部署在自己机器上，音频在哪处理、留不留存，由客户决定。对欧洲的呼叫中心，这条比跑分重要得多。
跑分有两种，得分开看
先看官方口径：多语言测试集 FLEURS 上，指定语言时错误率百分之四点一，自动识别时百分之四点零；同一套测试里 Whisper large-v3 是百分之十六和百分之十四点九。
第三方 Artificial Analysis 的独立结果更值得看：Small Transcribe 3 的错误率百分之二点一，排第三；Mini 百分之二点二，排第五。实时版在四百八十毫秒档最终转录错误率百分之三点六，九百六十毫秒档百分之三点三，上一代是百分之五点二。
耳朵这部分是真在头部。
但嘴那一侧是腰部。同一家机构的语音合成榜里，现成音色得分一千二百一十八，九十八个模型里排第十二；受控音色一千零六十八，四十三个里排第十二；发音稳健性百分之八十四点四，三十二个里排第十三。
还有一个细节要标出来：官方有几项语音合成的成本对比，标注的是「内部评测，由 Gemini 模型打分」。厂商自己跑、自己判，这种分数当参考就好。
官方没说清的四件事
每轮低于一秒怎么测的没说。 是首字时间还是整句播完？在哪台机器、什么网络下测的？语音场景里这两者能差出好几倍。
权重开不开没说。 三月那版语音合成是开放权重（非商用许可），这次整篇公告一个字没提开源。想本地跑的团队，得先去问。
文档没过校对。 同一页里一个模型有四种叫法，克隆所需的音频时长在三十分钟和「三十五分钟以上」之间反复横跳。小问题，但对一个要上生产的东西，不算让人放心的信号。
迁移有个坑。 想要词级时间戳的，现在请求会直接返回错误。老项目迁过来，字幕对齐那部分要提前改。
一个真实场景：把一通转诊电话跑完
官方演示的是一个法语场景：病人拿着转诊信打电话，信是法文，说不清专科词，中间还夹英文。
流程拆开是这样：实时转录边听边出字，判断对方说完了；推理模型带两个工具——查转诊单、订时间；语音合成用当前对话的情绪回话；整个过程走电话线路。
途中它做对了两件事：把法文的医学名词翻成英文解释给病人听，以及在报出「周二下午五点四十五」之后，等对方确认才真的下单。
这个例子最值钱的不是翻译，是「等确认」。语音 Agent 出事的场景，八成是它自作主张把事办了。
要判断它在你的业务上行不行，别用官方样音。拿自己二十通真实录音跑，重点看三块：业务专有名词（产品名、账号、人名）、中途打断、带口音的客户。
站内千问那篇全模态模型提过类似的方法论：多模态能力一定要用自己的素材测，因为公开测试集里的音频太干净了。
上手三步
第一步，只换一段。 别整套迁。先把转录这一段换成 Small Transcribe 3，接口不变，其他照旧。跑一周，看错误率和成本有没有真的动。
第二步，把业务词表塞进去。 关键短语偏置是这次最省事的能力——不用训练、不用标注，把你们的产品名、字段名、人名列成一张表传进去就行。这一条对中文场景尤其关键。
第三步，按真实月通话量算钱，并且把八美分那档也算一遍。 如果你打算用别家的推理模型，成本立刻翻倍；如果本来就用 Mistral 自家模型，四美分才成立。
想横向看同类语音和转录工具怎么选，AI 工具评测专题按用途整理过一批；要把语音接进已有工作流，智能体与自动化专题里的串接方式可以直接照搬。
谁适合，谁先等等
适合的：呼叫中心和客服（尤其是通话量大、按分钟算钱能算清的）、预约类业务（挂号、订位、上门服务）、音频不能出境的欧洲客户、做多语言语音助手的小团队。
可以先等等的：以中文为主的业务——这次官方重点在二十四种欧盟官方语言和低资源亚洲、印度语言上，中文不在宣传重点里，得自己测；需要开放权重的团队；对延迟有硬指标、又拿不到测量方法的团队。
顺带说一句，站内上个月那篇 Mistral 文本模型的卖点是「不拒绝」，这次语音线的卖点换成了「不出境」。同一家公司，两条产品线，两个杠杆。
老达点评
一，语音这条路的门槛已经不在模型，在「什么时候该停」。 说完判断、允许打断、静音阈值设多少，这三件小事决定体验好坏，模型分数只决定下限。Voxtral 3 把说完判断做成原生能力，方向是对的。
二，四美分是钩子，不是成本。 换推理模型翻倍、Pro Voice 没报价、电话线路另算——真要上线，账单会比宣传页厚。做预算时按八美分算，才不会做到一半发现钱不够。
三，最值得学的设计，是把每一段拆成独立模型。 换脑子不换嘴，换嘴不重写逻辑。这种可分拆的架构看着不如「一个全能大模型」性感，但它是能落地的形态——出问题的时候，你知道该换哪一段。
四，耳朵在头部，嘴在腰部，这个落差很真实。 做客服播报、通知、预约确认这类场景，够用。做品牌语音、情感陪伴、有声内容，先拿自己的素材听一遍再决定——合成这件事，耳朵比榜单诚实。
