Voxtral 3, hangalapú ügynökök és új specializált modellek
Ezen az oldalon
A Mistral őszi frissítései nem csupán a Large 4-ről szólnak. 2026. október 20-án a vállalat megújította teljes hangmodell-családját, és elindított egy menedzselt hangfeldolgozási folyamatot; ezzel egy időben több specializált modell és harmadik féltől származó modell is felkerült a katalógusba. Ez a lecke mindent lefed, tisztázva, mi érhető el általánosan, és mi marad még előzetes verzióban.
Voxtral 3: Négy hangmodell
A Voxtral 3 család négy modellt foglal magában, amelyek 2026. november 2-tól nyilvános előzetes verzióban (public preview) érhetők el.
| Modell | Azonosító (ID) | Felhasználási eset | Ár |
|---|---|---|---|
| Voxtral Mini Transcribe 3 | voxtral-mini-transcribe-3-0 | Fájlok átírása, beszélőazonosítással és időbélyegzéssel | 0,0035 USD percenként |
| Voxtral Small Transcribe 3 | voxtral-small-transcribe-3-0 | A család legpontosabb átírási modellje, beszélőazonosítással | 0,004 USD percenként |
| Voxtral Mini Transcribe Realtime 3 | voxtral-mini-transcribe-realtime-3-0 | Valós idejű átírás, állítható késleltetéssel és fordulatalapú érzékeléssel | 0,008 USD percenként |
| Voxtral TTS 3 | voxtral-mini-tts-3-0 | Hangszintézis hangklónozással, 35+ nyelv és 50 nyelvjárás támogatásával, streamelés | 13 USD millió karakterenként |
Ezek a modellek váltják fel a 2026-os hanggenerálókat – a Voxtral TTS (voxtral-mini-tts-2603), a Voxtral Mini Transcribe 2 (voxtral-mini-2602) és annak valós idejű változatát –, amelyeket október 31-én elavulttá nyilvánítottak, és 2027. április 30-án teljesen eltávolítanak. A Mistral hangsúlyozza, hogy a családot szuverén telepítésre tervezték: akár az Európában hosztolt API-ján keresztül, akár saját szerveren történő üzemeltetéssel, így a szervezet teljes kontrollt gyakorolhat afölött, hol dolgozzák fel a hanganyagokat és hol tárolják a beszélgetéseket.
Hangalapú ügynökök: A kulcsrakész hangfeldolgozási folyamat
Ugyanezen a napon, október 20-án a Mistral elindította a Voice Agents (Hangalapú ügynökök) szolgáltatást, egy valós idejű, kétirányú hangfeldolgozási folyamatot, amely a Voice Agents SDK-n keresztül érhető el. Az SDK kezeli a teljes láncolatot: a mikrofonos rögzítést, az átírást, a modell által generált választ, a szintézist és a lejátszást. A modellek a Mistral infrastruktúráján futnak, az alkalmazásod rögzíti és streameli a hangot, míg a rendszer interfészeket biztosít telefonhívásokhoz, böngészőkhöz és egyedi hangrendszerhez. Egy ügyfélszolgálat vagy kihangosított asszisztens esetén ez azt a különbséget jelenti, hogy öt különálló blokkot kell összeillesztened, vagy csupán egyet integrálnod.
Új specializált modellek
Két új családot vezettek be nyilvános előzetes verzióban. A Shieldstral 1.0 egy kompakt, multimodális moderációs modell, amely a szövegek és képek biztonságosságát osztályozza. A Timestral 1.0 egy idősorokra specializált alapmodell, amely négy méretben érhető el; előzetes tanítás nélkül készít előrejelzéseket, és probabilisztikus kimeneteket produkál. Éles környezeti moderációhoz az általánosan elérhető modell továbbra is a Mistral Moderation 2 (mistral-moderation-2603), amely 128 000 token kontextust kezel, és képes észlelni a rendszerkijátszási (jailbreak) kísérleteket.
Harmadik féltől származó modellek a Mistral platformon
Egy csendesebb, de jelentős újdonság: a Mistral mostantól más fejlesztők modelljeit is hosztolja. 2026. november 2-tól a katalógus tartalmazza a Z.ai GLM 5.3 és GLM 5.3 Flash modelleket (általános elérhetőség), valamint a DeepSeek V4.1 Flash modellt (nyilvános előzetes verzió); mindegyik 1 milliós token ablakkal rendelkezik. Ugyanazon az API-n hívhatók meg, mint a Mistral modellek; a GLM 5.2-t szeptember 29-én elavulttá nyilvánították, és október 31-én eltávolították a GLM 5.3 javára.
OCR 4.1
Végezetül, a dokumentumfeldolgozás területén az OCR 4.1 (mistral-ocr-4-1) augusztus 31 óta általánosan elérhető, ugyanazon az áron, mint az OCR 4.0, amelyet szeptember 30-án eltávolítottak. Az új verzió blokk szintű megbízhatósági pontszámokat (confidence scores) ad hozzá; a mistral-ocr-latest alias július 16 óta erre mutat.
Hivatalos források: Változásnapló · Modellek · Hangalapú ügynökök · Árazás
Főbb megállapítások
- Voxtral 3 (október 20., nyilvános előzetes): három átírási modell és egy hangszintézis modell, amelyek leváltják a 2026-os hangmodelleket
- A Voice Agents SDK-n keresztül kezeli a teljes valós idejű hangfeldolgozási folyamatot
- Új specializált modellek előzetes verzióban: Shieldstral (moderáció) és Timestral (idősorok)
- Hosztolt harmadik féltől származó modellek: GLM 5.3, GLM 5.3 Flash, DeepSeek V4.1 Flash; az OCR 4.1 általános elérhetőségben