Mistral выпустила Voxtral 3: набор моделей для речи и SDK, который склеивает голосовой разговор с вызовом рабочих систем. То есть бот может расшифровать звонок, понять запрос через подключённую языковую модель, дернуть базу или календарь и ответить голосом. Не магия из рекламы, а попытка убрать тот самый зоопарк из пяти сервисов и кучи склеек.
Внутри три отдельные части: распознавание речи, языковая модель для логики и вызова инструментов, синтез голоса. Их можно менять по отдельности — например, оставить свою LLM, а у Mistral взять только транскрибацию. SDK построен на LiveKit и рассчитан на звонки, веб-виджеты и сервисные линии.
Распознавание заявлено для более чем 50 языков, включая русский. Младшая модель транскрибации весит 4 млрд параметров и стоит $0,0035 за минуту. Голосовой движок работает более чем с 35 языками и 50 диалектами; для адаптации голоса Mistral просит не короткий обрывок, а от 30 минут записи. Нормальная оговорка: клонирование голоса тут не кнопка «сделай меня диктором за обед».
Попробовать стек можно через API и Studio; доступны европейские, американские и глобальные endpoints. Полный запуск у себя или в частном облаке — уже разговор с отделом продаж. Условия лицензии и цены такого развёртывания на странице не раскрыты.
Главный смысл не в том, что появился ещё один приятный голос. Mistral продаёт готовую связку для тех, кому нельзя гонять записи разговоров через чужую инфраструктуру: кол-центров, банков, клиник и внутренних помощников. Насколько хорошо она выдержит реальный шумный звонок и кривые интеграции, из опубликованных тестов не следует: бенчмарки на странице — собственное сравнение Mistral.