Mistral spustil veřejnou zkoušku hlasových modelů Voxtral 3
Mistral uvedl Voxtral 3 pro přepis nahrávek, tvorbu řeči a hlasové agenty. Za agenta s modelem Mistral Small 4 žádá od čtyř centů za minutu; samostatný přepis má jiný ceník. Nové modely jsou ve veřejné předběžné verzi.
Mistral 20. října představil rodinu Voxtral 3 a sadu pro vývoj hlasových agentů. Ta propojuje poslech, přepis, zpracování požadavku a mluvenou odpověď. Firma míří na zákaznické linky a asistenty, kteří během hovoru vyhledají účet nebo objednají schůzku. Karty nových modelů ovšem nesou označení Public Preview, tedy veřejná předběžná verze.
Odpověď sestavuje samostatný jazykový model
Voxtral 3 není jediný model, který by celou konverzaci vyřídil sám. Podle dokumentace hlasových agentů nejprve přepisovací model převede řeč na text a rozpozná konec repliky. Jazykový model pak připraví odpověď nebo zavolá nástroj, například firemní vyhledávání. Nakonec další model převede text na řeč.
Jednotlivé části lze měnit zvlášť. Vývojář určuje, co agent smí vědět a které funkce může volat. Volající mu může skočit do řeči. Přenos zvuku zajišťuje LiveKit a Mistral nad ním dodává sadu pro Python a TypeScript.
Rozdíl mezi aplikací a vlastním provozem modelů je podstatný. Běžný postup v dokumentaci spouští aplikaci na počítači vývojáře, ale modely běží u Mistralu. Pro celý systém na vlastních serverech nebo v soukromém cloudu odkazuje firma na obchodní tým. Nejde tedy o návod ke stažení a spuštění celé rodiny bez další dohody.
Minuta přepisu a minuta agenta mají jinou cenu
Ceník v oznámení uvádí k 21. říjnu 2026 pro agenta s jazykovým modelem Mistral Small 4 sazbu 0,04 dolaru za minutu. U jiného modelu pro zpracování požadavku je to 0,08 dolaru. Hodina při první sazbě vychází na 60 × 0,04 = 2,40 dolaru.
Samostatné převádění nahrávky na text stojí méně: Voxtral Mini Transcribe 3 má sazbu 0,0035 dolaru za minutu a Voxtral Small Transcribe 3 0,004 dolaru. Za průběžný přepis živého zvuku účtuje Mistral 0,008 dolaru za minutu. Tvorba řeči má zase jinou jednotku, 13 dolarů za milion znaků. Nejnižší sazba za přepis proto není cenou celého hovoru s agentem.
Pro telefonní linku je navíc při uvedení potřeba firemní přístup přes obchodní tým. Dokumentace to výslovně uvádí u telefonního napojení SIP. Zkouška s mikrofonem počítače nebo ve webové aplikaci je samostatná cesta; samotná dostupnost modelů přes API neznamená, že každý účet dostane i telefonní provoz.
Nezávislý test měří přepis nahrávek
Artificial Analysis uvádí u modelu Voxtral Small Transcribe 3 přes API Mistralu chybovost přepisu 2,1 procenta a u varianty Mini Transcribe 3 hodnotu 2,2 procenta. Jde o index AA-WER v2 pro přepis hotových nahrávek, nikoli o zkoušku celého telefonního agenta. Nižší číslo znamená méně chyb.
Podle metodiky měření se výstup porovnává s ověřeným lidským přepisem. Započítávají se nahrazená, přidaná a vynechaná slova vzhledem k délce předlohy. Hodnotitelé používají přibližně osm hodin zvuku ze sad AA-AgentTalk, VoxPopuli-Cleaned-AA a Earnings22-Cleaned-AA; první má poloviční váhu, další dvě po čtvrtině.
Čísla z žebříčku ověřená 21. října nevypovídají o spolehlivosti objednávky ani o tom, zda agent správně zavolá firemní funkci. Nejde ani o samostatné měření češtiny. Mistral ji zahrnuje do svého vícejazyčného testu přepisu FLEURS, vlastní českou nahrávku jsme v tomto článku nezkoušeli.
Oblast zpracování se vybírá zvlášť
Oznámení nabízí evropské, americké i globální rozhraní. Příručka k regionálnímu provozu ale upozorňuje, že výchozí globální adresa neurčuje zemi zpracování. Regionální provoz také neznamená, že ve stejné oblasti zůstanou všechny údaje o účtu, platbách nebo správě přístupu.
V téže příručce stojí, že regionální rozhraní zatím nepodporují stavové funkce Agents, Batch ani Files API. Firma přitom v oznámení nabízí i evropský provoz hlasových agentů. Před nasazením celé služby proto z veřejných stránek nelze odvodit, že má každý její krok stejnou regionální dostupnost jako samostatné volání modelu.
Rozchází se také popis jazyků pro tvorbu řeči. Oznámení mluví o více než 35 jazycích, zatímco karta Voxtral TTS 3 jich uvádí devět. Pro český zákaznický hovor tak zveřejněný počet jazyků přepisu sám o sobě nepotvrzuje podporu české mluvené odpovědi.
Jinou novou nabídku pro hlasové rozhovory popsala zpráva o Eleven Realtime od ElevenLabs. U telefonního agenta dokumentace upozorňuje ještě na jednu podmínku: v hovoru neběží kód na zařízení volajícího. Nástroje v klientské aplikaci tam selžou, proto telefonní agent potřebuje funkce spouštěné na serveru.