Mistral AI hat mit Voxtral 3 eine neue Familie von Sprachmodellen vorgestellt, die Echtzeit-Sprachagenten ermöglichen soll. Das System besteht aus einem Speech-to-Text-Modell (Voxtral Small Transcribe 3), einem Text-to-Speech-Modell (Voxtral Mini TTS 3) und einem Voice-Agent-SDK auf Basis von LiveKit. Zusammen sollen sie Zuhören, Denken, Werkzeugnutzung und Sprechen in einer einzigen Streaming-Pipeline vereinen. Die Transkription unterstützt mehr als 50 Sprachen, die Sprachausgabe über 35 Sprachen und 50 Dialekte mit emotionaler Anpassung. Agenten können während laufender Gespräche auf externe Systeme zugreifen, etwa Termine buchen oder Rechnungen prüfen.
Mistral betont die Möglichkeit, das System auf eigener Infrastruktur oder über EU-gehostete APIs zu betreiben, um Datensouveränität zu gewährleisten. Preise starten bei 0,0035 Dollar pro Minute für Transkription. Weitere Details stehen in der Dokumentation.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
