شرکت فرانسوی میسترال روز سه‌شنبه ۲۰ اکتبر ۲۰۲۶ مجموعه Voxtral 3 را معرفی کرد که کامل‌ترین گام آن در حوزه صوت تاکنون است. این عرضه شامل مدل‌های تازه بازشناسی گفتار، یک مدل جدید تولید گفتار و یک کیت توسعه نرم‌افزار است تا از آن‌ها عامل‌های صوتی کاربردی برای مراکز تماس، میزهای پشتیبانی و دستیارهای بدون دست ساخته شود. میسترال آن را گزینه‌ای مستقل و حاکمیتی معرفی می‌کند؛ مشتریان می‌توانند مدل‌ها را از طریق رابط برنامه‌نویسی شرکت یا روی زیرساخت خودشان اجرا کنند و خودشان تصمیم بگیرند که صدای ضبط‌شده نگهداری شود یا نه.
برای شنیدن، سه مدل عرضه شده است. مدل Voxtral Small Transcribe 3 دقیق‌ترین آن‌هاست و دقیقه‌ای ۰٫۰۰۴ دلار هزینه دارد. مدل Voxtral Mini Transcribe 3 با چهار میلیارد پارامتر، پردازش دسته‌ای فایل‌ها را با دقیقه‌ای ۰٫۰۰۳۵ دلار انجام می‌دهد. هر دو مدل بیش از ۵۰ زبان از جمله همه ۲۴ زبان رسمی اتحادیه اروپا را پوشش می‌دهند، تشخیص می‌دهند چه کسی در حال صحبت است و با دریافت اصطلاحات یا نام‌های کلیدی از کاربر، واژگان تخصصی را بهتر بازمی‌شناسند. مدل سوم برای عامل‌های زنده طراحی شده، در کمتر از ۵۰۰ میلی‌ثانیه و در بیش از ۳۵ زبان متن را برمی‌گرداند و دقیقه‌ای ۰٫۰۰۸ دلار قیمت دارد.
برای تولید گفتار، مدل Voxtral Speech 3 که با نام Voxtral Mini TTS 3 هم معرفی شده، بیش از ۳۵ زبان و ۵۰ گویش را پشتیبانی می‌کند و احساس، سرعت و تأکید صدا را با بافت گفت‌وگو هماهنگ می‌کند. هزینه آن ۱۳ دلار برای هر یک میلیون نویسه است. قابلیتی به نام Pro Voice هم می‌تواند سبک گفتار یک فرد را با حدود ۳۰ دقیقه صدای ضبط‌شده بازسازی کند؛ گزینه‌ای برای برندهایی که می‌خواهند در زبان‌های مختلف صدای یکسانی داشته باشند.
کیت توسعه، حلقه اتصال همه این اجزاست. این کیت بر پایه چارچوب متن‌باز LiveKit ساخته شده، صدا را به‌صورت جریانی دریافت می‌کند، آن را برای استدلال و فراخوانی ابزار به یک مدل عمومی مانند Mistral Small می‌فرستد و بدون انتظار برای پایان هر مرحله، پاسخ را با صدا بازمی‌گرداند. به گفته میسترال، هر نوبت گفت‌وگو کمتر از یک ثانیه طول می‌کشد و عامل هنگامی که تماس‌گیرنده وسط حرفش بپرد ساکت می‌شود. عامل‌ها می‌توانند با فراخوانی توابع، جست‌وجوی وب و بازیابی اطلاعات، صورت‌حساب را بررسی کنند، هویت را تأیید کنند یا وقت ملاقات رزرو کنند و از طریق خطوط تلفن SIP یا فناوری WebRTC در مرورگرها و اپلیکیشن‌ها وصل شوند.
میسترال مدعی است مدل رونویسی Small در آزمون‌های دقت چندزبانه و تفکیک گوینده از Whisper شرکت اوپن‌ای‌آی، Scribe v2 شرکت ایلون‌لبز و Gemini 3.5 Transcribe گوگل بهتر عمل می‌کند و مدل گفتارسازش ارزان‌تر از سرویس‌های رقیب است. این مقایسه‌ها از ارزیابی‌های داخلی خود میسترال است، بخشی از آن‌ها را یک مدل هوش مصنوعی دیگر به‌طور خودکار نمره داده و هنوز آزمون‌گران مستقل آن‌ها را بررسی نکرده‌اند. وب‌سایت The Decoder هم در گزارش خود مشخصات و قیمت‌های اصلی را تأیید کرده است.
اهمیت این عرضه در آن است که صدا در حال تبدیل شدن به رابط اصلی عامل‌های هوش مصنوعی و بازاری بزرگ است که اوپن‌ای‌آی، گوگل، ایلون‌لبز، دیپ‌گرام و دیگران بر سر آن رقابت می‌کنند. ترکیب قیمت پایین به ازای هر دقیقه، میزبانی در اروپا و امکان نصب روی زیرساخت مشتری، صنایع تحت نظارت مانند سلامت، بانکداری و بخش دولتی را هدف گرفته است؛ جایی که انتقال تماس‌های مشتریان به ابر آمریکایی می‌تواند دشوار باشد.
این مدل‌ها هم‌اکنون از طریق نقاط دسترسی اروپایی، آمریکایی و جهانی رابط برنامه‌نویسی میسترال در دسترس هستند و می‌توان آن‌ها را در محیط آزمایشی Studio امتحان کرد. میسترال نگفته است که وزن‌های مدل‌ها به‌صورت باز منتشر می‌شود یا نه و برای نصب کامل روی سرورهای خود مشتری باید با تیم فروش تماس گرفت.