Mistral выпустила Voxtral 3 и SDK для голосовых агентов

Mistral анонсировала семейство Voxtral 3 и Voice Agent SDK для сборки голосовых агентов. Пакет объединяет потоковое распознавание речи, LLM-логику с вызовом инструментов и синтез речи, так что командам не обязательно собирать стек из отдельных STT- и TTS-сервисов. Подробности — в анонсе.

Для интеграций важны SIP, WebRTC и barge-in — пользователь может перебить ответ агента. Для файловой обработки Mistral заявляет транскрибацию на 50 языках, диаризацию и контекстные подсказки. Для синтеза речи компания указывает 35+ языков и 50+ диалектов. Заявленные цены: $0.0035–$0.008 за минуту транскрибации и $13 за 1 млн символов TTS.

Сервис доступен через европейские, американские и глобальные endpoints Mistral API; частное развертывание предлагается по запросу. Заявление о полном разговорном ходе менее чем за секунду стоит воспринимать как vendor claim, а покрытие realtime-языков лучше сверять с документацией: на страницах Mistral цифры расходятся.