Voxtral 3 ist Mistrals kompletter Sprach-Stack in einem Release: drei Modelle, die Sprache in Text verwandeln, eines, das Text in Sprache verwandelt, und ein Voice-Agent-SDK, das sie mit einem Chat-Modell verbindet, damit eine KI ein Telefon- oder Browser-Gespräch führen kann. Es ist am 20. Oktober 2026 gestartet, und jedes Modell ist noch eine öffentliche Vorschau.
Die Preise sind niedrig. Transkription kostet 0,0035 $ bis 0,008 $ pro Minute, die Stimme 13 $ pro 1 Mio. Zeichen, und die gesamte Agenten-Pipeline kostet 0,04 $ pro Minute, wenn Mistral Small 4 das Denken übernimmt. Zwei Haken: Die Gewichte sind diesmal geschlossen, und Telefonleitungen über SIP sind zum Start nur für Enterprise-Kunden verfügbar.
Für Support-Teams lautet die Erkenntnis: Voxtral löst Hören und Sprechen, nicht Wissen. Bei eesel baue ich die KI-Agenten, die echte Tickets beantworten, und was sie nützlich macht, ist das Lernen aus den bisherigen Antworten eines Unternehmens, etwa aus den 27.000 deutschen Zendesk-Tickets pro Monat, die wir für smava bearbeiten. Voxtral gibt einem Agenten Ohren und eine Stimme. Die Antworten müssen trotzdem irgendwoher kommen.
Was ist Voxtral 3?
Voxtral 3 ist eine Familie von Sprachmodellen von Mistral AI, dem Pariser Labor hinter den Chat-Modellen Mistral und Magistral. Mistrals These: Ein funktionierender Voice-Agent muss vier Aufgaben gleichzeitig erledigen: genau zuhören, verstehen, was der Anrufer meint, natürlich sprechen und in anderen Systemen handeln. Voxtral 3 ist das erste Voxtral-Release, das für jede dieser Aufgaben ein Teil mitbringt.
Ich arbeite daran, wie die Agenten von eesel unter der Haube tatsächlich laufen, und deshalb finde ich an diesem Launch nicht einen einzelnen Benchmark am interessantesten. Interessant ist, dass Mistral die Aufgabe in separate, austauschbare Modelle aufgeteilt hat, statt in ein Modell, das alles kann. Diese Entscheidung erklärt das meiste, was an Voxtral 3 gut ist, und das meiste, was sperrig ist.
Welche Modelle enthält Voxtral 3?
Es gibt vier Modelle und ein API-Produkt. Hier die Übersicht mit den Modell-IDs, die Sie tatsächlich aufrufen würden, entnommen dem Migrationsleitfaden und den Launch-Preisen:
| Modell | Modell-ID | Was es tut | Preis |
|---|---|---|---|
| Voxtral Small Transcribe 3 | voxtral-small-transcribe-3-0 | Flaggschiff für Batch-Transkription, Diarisierung, Übersetzung, Sprach-Q&A | $0.004/min |
| Voxtral Mini Transcribe 3 | voxtral-mini-transcribe-3-0 | Kleineres 4B-Modell für Batch-Transkription | $0.0035/min |
| Voxtral Mini Transcribe Realtime 3 | voxtral-mini-transcribe-realtime-3-0 | Live-Transkription mit Erkennung des Gesprächsendes | $0.008/min |
| Voxtral Mini TTS 3 | voxtral-mini-tts-3-0 | Text-to-Speech, 35+ Sprachen, Stimmklonen | $13/1M chars |
| Voice-Agent-API | n/a | Echtzeit-Transkription + Chat-Modell + TTS in einem Stream | $0.04/min (Mistral Small 4), $0.08/min (größeres Modell) |
Jedes Modell hat auch kurze Aliase, etwa voxtral-mini-transcribe-latest. Eines gilt es zu beachten: Mistral sagt, dass der Alias voxtral-mini-tts-latest erst innerhalb eines Monats nach der allgemeinen Verfügbarkeit auf Voxtral 3 wechselt. Wenn Sie vorhersehbares Verhalten wollen, legen Sie sich auf die vollständige Modell-ID fest.
Alles ist über Mistrals API auf europäischen, US-amerikanischen und globalen Endpunkten verfügbar, und Sie können Transkription, Sprache und Voice-Agenten im Studio-Playground ausprobieren, bevor Sie Code schreiben.
Die Transkriptionsmodelle
Voxtral Small Transcribe 3 ist das Modell, das man kennen sollte. Mistral nennt es sein Flaggschiff für Transkription und Diarisierung (Diarisierung heißt, jede Zeile dem jeweiligen Sprecher zuzuordnen). Es beherrscht 50 Sprachen, darunter die 24 Amtssprachen der EU (praktisch für mehrsprachigen Support), und laut Modellkarte übersetzt, fasst zusammen und führt Funktionsaufrufe direkt aus Audio aus. Das Kontextfenster umfasst 32k Token.
In Mistrals FLEURS-Test mit 45 Sprachen erreicht Small eine Wortfehlerrate von 4,0 %, wenn es die Sprache selbst erkennt, gleichauf mit Microsoft AI Transcribe 2 und weit vor Whisper large-v3 mit 14,9 %. Das Mini-Modell kommt auf 4,5 % für etwas weniger Geld. Jedes Diagramm, auch dort, wo Voxtral nicht vorn liegt, zerlege ich in meinem Voxtral-3-Review.
Beide Batch-Modelle unterstützen Context Biasing: Sie senden eine Liste von Begriffen (Produktnamen, Personen, SKUs), und das Modell schreibt sie ohne Fine-Tuning korrekt. In Mistrals Keyphrase-Test hebt diese Liste Smalls Recall von 81,4 % auf 94,6 %, behandeln Sie sie also als Standard, nicht als Extra.
Das Echtzeit-Modell nutzt ein Live-Agent. Sie legen fest, wie lange es wartet, bevor es sich auf Wörter festlegt, und längere Wartezeiten bedeuten weniger Fehler. Es sagt außerdem voraus, wann ein Sprecher fertig ist, anhand von Klang und Bedeutung der Wörter, und genau das verhindert, dass ein Sprachbot jemandem mitten im Satz ins Wort fällt. Das ist wichtig für KI-Telefonsupport, wo Anrufer beim Vorlesen von Bestellnummern pausieren.
Das Stimmmodell
Voxtral Mini TTS 3 wandelt Text in Sprache in über 35 Sprachen und über 50 Dialekten um, mit voreingestellten Stimmen in 18 Sprachen. Die Modellkarte nennt etwa 90 ms bis zum ersten Audio beim Streaming, 34 Emotions-Tags und 2 Tempo-Tags, die Sie inline schreiben, sowie Stimmklonen aus einem kurzen Clip. Für Markenstimmen baut „Pro Voice“ aus etwa 30 Minuten Audio eine genauere Kopie.
Die Klangbeispiele auf der Launch-Seite zielen genau auf das, woran Support-Stimmen scheitern: das Vorlesen einer E-Mail-Adresse, einer Flugzeit, eines Preises in Pfund. Mistral behauptet außerdem, 13 $ pro 1 Mio. Zeichen unterbiete ElevenLabs Flash, OpenAI TTS-1, Deepgram und Gemini Flash. Nicht jedem gefällt der neue Klang jedoch:
"The examples they give of how they "improved" the voices aren't great. Version 1 sounded like actual people, while this version sounds like generic AI slop voice."
Das ist ein einzelner Hörer, und Stimmgeschmack ist persönlich. Es ist trotzdem ein guter Grund, Beispiele mit Ihren eigenen Skripten zu erzeugen, bevor Sie eine Stimme wählen.
Wie funktioniert der Voxtral-3-Voice-Agent?
Der Voice-Agent durchläuft für jeden Gesprächsbeitrag eine Schleife aus drei Stufen. Laut den Voice-Agent-Docs transkribiert das Echtzeit-Modell den Anrufer und erkennt, wann er aufgehört hat, ein Chat-Modell wie Mistral Small 4 entscheidet, was gesagt wird, und ruft Tools auf, und Voxtral TTS spricht die Antwort. Die Stufen speisen sich gegenseitig im Stream, statt zu warten, daher sagt Mistral, dass jeder Gesprächsbeitrag in unter einer Sekunde abgeschlossen ist, und der Agent hört auf zu sprechen, wenn der Anrufer unterbricht.
Während eines Anrufs kann der Agent Funktionsaufrufe, Websuche, Dokumentbibliotheken und Ihre eigenen Funktionen nutzen, zum Beispiel um einen Anrufer zu verifizieren oder einen Termin zu buchen. Er läuft in Browsern und Apps über WebRTC und auf Telefonleitungen über SIP. Das SDK setzt für den Audiotransport auf LiveKit auf.
Ein Hacker-News-Kommentator hat auf den Punkt gebracht, warum das der interessante Teil des Releases ist:
"I think the special sauce of this isn't the STT/TSS (although it does appear to be quite good) - it's the integration of a real-time reasoning model to actually do something with the raw text of the conversation, and whatever they're doing to hide tool call latency if the model needs to search for something."
Ich stimme zu, und genau hier landet die Arbeit bei Ihnen. Die Tools sind generisch: Es gibt keine eingebaute Vorstellung von Ihrem Helpdesk, Ihrem Bestellsystem oder Ihren bisherigen Tickets. In unseren Vertriebsgesprächen bei eesel wird mit Abstand am häufigsten ein Agent gewünscht, der aus bisherigen Tickets lernt, denn dort stecken die echten Antworten eines Unternehmens. Mit Voxtral wäre das Anbinden dieser Quelle Integrationsarbeit, die bei Ihnen liegt. Wenn Sie festlegen, worauf ein Call-Center-KI-Agent zugreifen darf, entscheiden Sie das, bevor Sie Tools anbinden.
Zwei Einschränkungen zum Start sind für den Support am wichtigsten. Telefonanrufe über SIP sind zum Start nur für Enterprise-Kunden verfügbar und laufen über Mistrals Account-Team, während Web- und App-Sprache für alle offen ist. Und Tools, die im Browser des Nutzers laufen, funktionieren bei Telefonanrufen nicht, daher muss alles, was ein Telefon-Agent braucht, auf Ihrem Server laufen.
Was ist neu gegenüber Voxtral 2?
Kurzfassung: mehr Sprachen, deutlich bessere Diarisierung, eine neue Agenten-Schicht und geschlossene Gewichte.
Was besser geworden ist:
- Diarisierung. Die Fehlerrate des Mini-Modells in Mistrals Diarisierungs-Benchmark sank von
30,9 %bei Voxtral Mini Transcribe 2 auf18,6 %bei Mini Transcribe 3. Bei Anrufaufzeichnungen ist das Wissen, welche Zeilen vom Kunden stammten, der halbe Wert. - Sprachen. Die Batch-Transkription deckt jetzt 50 Sprachen ab, ergänzt um ressourcenarme asiatische und indische Sprachen.
- Context Biasing. Begriffe können jetzt mehrteilige Phrasen sein, und ein frei formulierter Kontextsatz funktioniert offline.
- Echtzeit-Funktionen. Diarisierung, Sprecherreferenzen und Gesprächsende-Erkennung funktionieren jetzt in Echtzeit-Sitzungen.
- Stimmsteuerung. Emotion wandert von separaten voreingestellten Stimmen (wie
gb_jane_sad) zu Inline-Tags im Format[emotion=...], und geklonte Stimmen lassen sich einmal speichern und per ID wiederverwenden.
Was laut Migrationsleitfaden nicht mehr funktioniert:
- Wort-Zeitstempel gibt es nicht mehr. Wer die Granularität
wordanfordert, erhält einen400-Fehler, wechseln Sie also zu Segment-Zeitstempeln. - Echtzeit-Sitzungen sperren ihre Einstellungen beim ersten Audio-Chunk, senden Sie also alle Einstellungen gleich zu Beginn.
- Diarisierte Segmente können sich überlappen, wenn zwei Personen gleichzeitig sprechen.
Eine Funktion ist aufgeführt, aber nicht ausgeliefert: Stilanweisungen, die Freitext-Steuerung wie „sag das warm“, sind in der Dokumentation durchgestrichen und zum Start nicht verfügbar.
Warum die geschlossenen Gewichte wichtig sind
Die ersten Voxtral-Modelle im Juli 2025 und das Modell Voxtral Mini 4B Realtime hatten offene Gewichte auf Hugging Face. Voxtral 3 nicht. Der Launch erwähnt „Self-Deployment“, aber das bedeutet einen Vertrag: On-Prem- und Private-Cloud-Setups laufen über Mistrals Vertrieb.
"You have to call sales to get access for on-prem deployment and the models. If it were open weights, it would be on Huggingface and they would have put a link in the post"
Für Hobby-Nutzer, die Sprache auf dem Laptop laufen lassen, ist das ein echter Verlust. Für ein Enterprise-Support-Team sind eine in der EU gehostete API plus On-Prem per Vertrag normaler Einkauf und für Anrufaudio unter dem EU AI Act wohl der sicherere Weg. Mistral veröffentlicht an anderer Stelle weiterhin offene Modelle, wie die Pläne für Mistral Large 4 zeigen.
Was kostet Voxtral 3?
Voxtral 3 wird bei Transkription und Agent pro Audiominute abgerechnet, bei der Stimme pro Zeichen. Das sind Mistrals Listenpreise zum Start:
| Workload | Preis | 1.000 Anrufe à fünf Minuten |
|---|---|---|
| Aufnahmen mit Mini transkribieren | $0.0035/min | $17.50 |
| Aufnahmen mit Small transkribieren | $0.004/min | $20 |
| Live-Transkription | $0.008/min | $40 |
| Voice-Agent mit Mistral Small 4 | $0.04/min | $200 |
| Voice-Agent mit einem größeren Modell | $0.08/min | $400 |
Das Muster ist der nützliche Teil. Jeden Anruf zu transkribieren, den Sie ohnehin für die Qualitätssicherung entgegennehmen, kostet Kleingeld. Wenn eine KI die Anrufe annimmt, kostet das 10- bis 20-mal mehr, weil Denken und Sprechen den Großteil der Rechnung ausmachen. Ein fünfminütiger Anruf über die Agent-API kostet 0,20 $. Diese Zahl gehört in Ihre Rechnung zum Call-Center-ROI.
Eine genauere Kostenaufschlüsselung der Chat-Modelle hinter dem Agenten finden Sie unter Mistral AI pricing. Zum Vergleich mit konkurrierenden Voice-Stacks sehen Sie sich GPT Realtime und Grok Voice Think Fast 2 auf den Seiten der jeweiligen Anbieter an, denn die Voice-Preise haben sich dieses Jahr schnell bewegt.
Welches Voxtral-3-Modell sollten Sie nutzen?
Wählen Sie nach Aufgabe, nicht nach dem größten Modell. So würde ich es zuordnen:
- Anrufanalyse und QA: Mini Transcribe 3. Es liegt in Mistrals Test nur einen halben Punkt hinter Small und ist die günstigste Zeile der Liste. Kombinieren Sie es mit PII-Schwärzung, bevor Transkripte irgendwohin geteilt werden.
- Meetings und Aufnahmen mit mehreren Sprechern: Small Transcribe 3, für die beste Diarisierung in Mistrals Diagramm.
- Ein Sprachassistent im Browser oder in der App: die Voice-Agent-API. Sie ist gut gestaltet, aber planen Sie den Vorschau-Status ein.
- Eine KI an Ihrer Support-Telefonnummer: warten, es sei denn, Sie sind Enterprise-Kunde mit Zugang zu SIP, und planen Sie Budget für die Helpdesk-Integration ein.
- Lokale Offline-Sprache: nicht Voxtral 3. Schauen Sie sich die Mistral-Alternativen oder ältere offene Voxtral-Gewichte an.
Wenn Sie Voxtral mit anderen Sprachmodellen vergleichen, kommen Gemini 3.5 Transcribe, MAI-Transcribe 2 und Cartesia Sonic 3 am nächsten.
Für komplette Produkte statt Modelle decken meine Übersichten zu KI-Sprachanbietern und zur besten KI für Sprach-Support das Feld ab.
Was Voxtral 3 für Support-Teams bedeutet
Voxtral 3 macht den Sprachteil eines Support-Agenten günstig und gut. Es sorgt nicht dafür, dass der Agent Ihr Geschäft kennt. In dieser Lücke bleiben die meisten Voice-Projekte stecken: Der Bot versteht den Anrufer perfekt und gibt dann eine selbstsichere, falsche Antwort zur Rückerstattungsrichtlinie.
Bei eesel setzen wir seit Jahren KI-Agenten in laufende Support-Warteschlangen, und die Lehre wiederholt sich bei jedem Rollout. Genauigkeit kommt aus dem, was der Agent lernt (bisherige Tickets, Help-Center-Artikel, Makros), und aus dem Test an echten Gesprächen, bevor er mit einem Kunden spricht. Deshalb wird jeder eesel-Rollout zuerst an historischen Tickets simuliert. Ein besseres Mikrofon ändert nichts an dieser Reihenfolge.
Wenn Sie also Call-Center-Automatisierung planen, würde ich so vorgehen: zuerst die schriftlichen Kanäle mit einem KI-Agenten für den Kundensupport automatisieren, wo die Antworten aufgebaut und getestet werden, und dann demselben Wissen eine Stimme geben. Voxtral 3 ist ein starker Kandidat für die Sprachschicht, sobald SIP geöffnet wird.
eesel testen: die Antworten hinter der Stimme
Voxtral ist Infrastruktur; eesel ist der Mitarbeiter. Unser KI-Helpdesk-Teammate zieht in den Helpdesk ein, den Sie schon nutzen, etwa Zendesk oder Freshdesk, lernt aus Ihren bisherigen Tickets und antwortet in der Sprache, in der der Kunde geschrieben hat.
Diese Mehrsprachigkeit kann Voxtrals Sprachliste allein nicht leisten. Koffer.ch, ein Schweizer Koffergeschäft, lässt eesel Freshdesk-Antworten auf Deutsch, Französisch, Englisch oder Italienisch entwerfen, passend zum Kunden und mit Schweizer Rechtschreibung. smava setzt es bei 27.000 deutschen Zendesk-Tickets pro Monat ein.
Wenn Ihr Support heute über E-Mail und Chat läuft, fangen Sie dort an. Testen Sie eesel kostenlos an Ihren eigenen bisherigen Tickets und sehen Sie, was es geantwortet hätte.