Mistral 发布 Voxtral 3 语音模型与语音智能体 SDK：4B 转写模型每分钟 0.0035 美元，TTS 每百万字符 13 美元
一套从听、想、调工具到说的实时语音管线，可走 Mistral 欧盟托管 API，也可以部署在自己的机器上。
// 要点
- 转写模型 Voxtral Small Transcribe 3 支持 50 多种语言，带说话人分离、关键词偏置与说话结束检测；官方称优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe。
- Mini 版转写模型为 4B 参数，价格 0.0035 美元 / 分钟；实时转写模型 Voxtral Realtime Transcribe 3 在 35 种以上语言里延迟低于 500 毫秒。
- TTS 模型 Voxtral Mini TTS 3.0 支持 35 种以上语言、50 多种方言，价格 13 美元 / 百万字符；Pro Voice 用约 30 分钟音频复刻说话人的风格。
- 新的语音智能体 SDK 把听、推理、工具调用和说话放进一条实时流式管线。
开发者视角对智能面试这类以语音为主的产品，我最关心的是说话结束检测和可私有部署：打断判断不准，面试体验会很差，而候选人的录音最好不出自己的环境。我会先拿一批真实面试录音对比现有转写的中文错误率和端到端延迟，再决定换不换。