Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Voxtral 3, hangalapú ügynökök és új specializált modellek

11. lecke 12 közül Frissítve 2026. november 2. Középhaladó
Ezen az oldalon
  1. Voxtral 3: Négy hangmodell
  2. Hangalapú ügynökök: A kulcsrakész hangfeldolgozási folyamat
  3. Új specializált modellek
  4. Harmadik féltől származó modellek a Mistral platformon
  5. OCR 4.1
  6. Főbb megállapítások

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.

ModellAzonosító (ID)Felhasználási esetÁr
Voxtral Mini Transcribe 3voxtral-mini-transcribe-3-0Fájlok átírása, beszélőazonosítással és időbélyegzéssel0,0035 USD percenként
Voxtral Small Transcribe 3voxtral-small-transcribe-3-0A család legpontosabb átírási modellje, beszélőazonosítással0,004 USD percenként
Voxtral Mini Transcribe Realtime 3voxtral-mini-transcribe-realtime-3-0Valós idejű átírás, állítható késleltetéssel és fordulatalapú érzékeléssel0,008 USD percenként
Voxtral TTS 3voxtral-mini-tts-3-0Hangszintézis hangklónozással, 35+ nyelv és 50 nyelvjárás támogatásával, streamelés13 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