Mistral 发布 Voxtral 3 语音模型及智能体开发工具，打通听、说与工具调用

Mistral 于 10 月 20 日推出 Voxtral 3，将新一代语音模型与语音智能体开发工具一同发布。新工具面向能在对话中执行操作的应用，把转录和语音生成，与语言模型及外部工具接入更完整的工作流程。公司瞄准客服、服务台和虚拟助手等场景：在这些应用里，听懂用户说了什么，只是完成任务的起点。

语音智能体 SDK 负责采集音频、转录、获取模型回复和播放语音。用户可以打断正在说话的智能体，系统也能在对话过程中检索文档、搜索网页或调用业务函数。它以 LiveKit 为实时传输基础，提供 Python 和 TypeScript 接口。应用掌握哪些知识、能够执行哪些操作，仍可单独配置，使同一套对话流程适用于不同服务。

转录模型区分录音文件与实时音频。Voxtral Mini Transcribe 3 和更大的 Small Transcribe 3 用于处理文件，Mini Transcribe Realtime 3 则在音频持续传入时返回文字。官方文档列出了说话人标注和词汇偏置功能，后者允许提供人名或专业术语，帮助模型提高识别效果。对于录音，这些能力有助于保留发言归属，也让处理陌生词汇不必总从重新训练模型开始。

不同模式同时存在明确的功能边界。离线转录提供片段级时间戳，不提供逐词时间戳。实时说话人标注和轮次结束检测各自受到支持，但官方文档说明，两者不能在同一实时会话中同时启用。轮次检测帮助智能体判断何时回答，说话人分离则用于区分发言者。因此，需要兼顾两项能力的应用，必须处理这种模式差异，不能把公告里的全部能力理解为能在单一连接中任意组合。

语音输出方面，Voxtral TTS 3 可以根据完整文本生成声音，另有适用于对话的实时版本。当前文档列出预设声音、声音克隆、情绪与语速标签以及发音控制。生成的音频能够分段返回，使播放不必等待整个文件完成。这些控制让开发者可以分别处理名称读音、表达方式与声音身份，而不是只依赖语言模型生成的文字来决定最终效果。

部分功能仍比产品的整体描述更受限制。文本转语音指南把自然语言风格指令标注为发布时尚不可用，同时支持明确的情绪与语速标签。前者允许用普通语言描述整段表演，后者则是在文本内加入已受支持的控制。两者的区别说明，理解模型公告时，还需要结合 API 当前定义的实际功能。

部署方面，SDK 可用于服务器或桌面应用；浏览器应用通过自己的服务器取得会话凭据。电话接入使用 SIP，发布初期面向企业客户提供。保存的智能体配置具有版本，可以在不同会话中复用。这些设计让它更接近应用平台，而不仅是一个转录接口；对话如何连接真实业务系统，仍取决于周边应用的设计。

Mistral 通过托管服务提供新的语音系列，本地部署或私有云方案则需与销售团队洽谈。TTS 模型卡将 3.0 版标注为公开预览。公告与模型文档对部分发布规格的表述存在差异，现有公开材料尚未就价格和语言覆盖提供一致口径。最终的对话表现仍取决于所选模型、工具及系统集成，不能仅由语音组件的表现推定。