思维总结：Voxtral 3 引入了一个尖端的语音代理 SDK 和最先进的语音模型，旨在实现超过 50 种语言的实时、多步骤对话。它结合了准确的转录、能够自适应情感的自然语音合成以及深度工具集成，以实现无缝的工作流自动化。通过 Mistral 的欧盟托管 API 或自我部署可用，它确保数据主权，同时为呼叫中心、虚拟助手和免提副驾驶提供低延迟的人类互动。语音转录和语音生成已经取得了长足的进展，但构建能够倾听、推理、互动和处理复杂工作流程的端到端语音代理仍然是一个挑战。一个可靠的语音代理需要很好且同时地完成四项任务：在语言、口音、说话者和打断之间准确倾听，深入推理用户在特定上下文中的意义，情感丰富且自然地说话，以及通过连接的系统进行多步骤的行动。将这四项任务可靠地协同工作仍然是个挑战。为了解决这个问题，我们推出了 Voxtral 3：一个新的最先进的语音转文本和文本转语音模型系列，以及一个将倾听、思考、工具调用和说话整合到一个实时流处理管道中的语音代理 SDK。Voxtral 3 被设计用于创建自然的对话体验，从呼叫中心代理和服务台到虚拟助手和免提副驾驶。凭借对多种语言的支持、生动的语音、复杂的推理以及与您自己的工具和数据的深度集成，使用 Voxtral 构建的代理能够解读细微的意图，推理复杂的请求，并跨连接系统执行多步骤操作。与其他 Mistral 模型一样，Voxtral 3 系列旨在进行主权部署。今天可以通过 Mistral 的欧盟托管 API 或在您自己的基础设施上自我部署，给组织提供了控制音频处理地点、数据处理方式和是否保留对话的能力。亮点：针对 50 多种语言的准确转录。语音转文本模型 Voxtral Small Transcribe 3 是多语言转录领域的最先进模型，能够识别谁说了什么（话者分离），并利用关键词短语提升其准确度（上下文倾向）。它能够检测某人何时停止说话，以便代理能快速回应（回话结束检测）。适应于对话的自然语音。文本转语音模型 Voxtral Mini TTS 3 引入了新的声音，根据对话上下文调整其情感、语速和重音，支持 35 种以上的语言和 50 种以上的方言。您（口头）的命令下的人类般智能。新的语音代理 SDK 将倾听、推理、工具调用和说话整合为一个实时体验。代理可以在电话或网络实时对话中检索信息、与业务系统互动并完成任务。专业的语音，显著准确的语音适配。对于基本的语音克隆不足以满足的专业用例，Voxtral 的 Pro Voice 适配能够使用仅 30 分钟的音频再现说话者的独特特征、情感范围和说话风格。您的语音 AI，在您的基础设施上。使用 Mistral 的欧盟托管 API 或在您自己的基础设施上部署 Voxtral 3。将敏感对话保留在您的环境中，并控制是否保留任何音频。立即试用 Voxtral | 了解更多。它能够以最先进的准确性理解 50 种以上的语言。Voxtral Transcribe 3 在转录、话者分离（谁在何时说）和上下文偏向能力上代表了一个重要的里程碑。支持的语言列表扩展到 50 种，包括 24 种官方欧盟语言及许多低资源的亚洲和印度语言。Small 版本在话者分离和多语言转录方面取得了最先进的成果，包括英语、法语和西班牙语。它的表现优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。Mini 变体有 40 亿参数，使其能够以 0.0035 美元/分钟的价格快速且准确地转录。两个模型都支持上下文偏向，关键词和自由文本可以用于偏向转录并提高对技术术语的回忆。这样使它们可以在具有特定领域词汇的生产环境中使用，而无需微调。FLEURS 45 强制与推断单词错误率——越低越好。强制推断 4.1% 4.0% 4.1% 4.0% 4.6% 4.5% 6.1% 4.5% 4.9% 4.9% 6.3% 5.6% 16.0% 14.9% Voxtral Small Transcribe 3 Microsoft AI Transcribe 2 Voxtral Mini Transcribe 3 Gemini 3.5 Transcribe Scribe v2 GPT Transcribe Whisper large-v3 单词错误率 FLEURS 基准中 45 种语言交集的宏平均 WER。除日语、韩语、泰语和中文外，所有语言均使用 WER。越低越好。强制=指定的语言；推断=未指定的语言。