Przejdź do głównej treści
Polski— Wybierz język
Menu

Voxtral 3, agenci głosowi i nowe wyspecjalizowane modele

Lekcja 11 z 12 Zaktualizowano 2 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Voxtral 3: Cztery modele audio
  2. Agenci głosowi: Gotowy potok głosowy
  3. Nowe modele wyspecjalizowane
  4. Modele zewnętrzne na platformie Mistral
  5. OCR 4.1
  6. Kluczowe wnioski

Jesienne aktualizacje Mistrala to nie tylko Large 4. 20 października 2026 r. firma odświeżyła całą rodzinę modeli audio i uruchomiła zarządzany potok głosowy; jednocześnie w katalogu pojawiło się kilka modeli wyspecjalizowanych oraz modeli zewnętrznych. Ta lekcja omawia wszystko, rozróżniając to, co jest ogólnie dostępne, od tego, co pozostaje w fazie zapowiedzi (preview).

Voxtral 3: Cztery modele audio

Rodzina Voxtral 3 obejmuje cztery modele, które od 2 listopada 2026 r. znajdują się w fazie publicznej zapowiedzi (public preview).

ModelIDPrzypadek użyciaCena
Voxtral Mini Transcribe 3voxtral-mini-transcribe-3-0Transkrypcja plików z diarizacją i znacznikami czasu0,0035 USD za minutę
Voxtral Small Transcribe 3voxtral-small-transcribe-3-0Najdokładniejsza transkrypcja w rodzinie, z diarizacją0,004 USD za minutę
Voxtral Mini Transcribe Realtime 3voxtral-mini-transcribe-realtime-3-0Transkrypcja w czasie rzeczywistym, regulowane opóźnienie i wykrywanie zmian mówcy0,008 USD za minutę
Voxtral TTS 3voxtral-mini-tts-3-0Synteza mowy z klonowaniem głosu, ponad 35 języków i 50 dialektów, strumieniowanie13 USD za milion znaków

Modele te zastępują generację audio z 2026 r. – Voxtral TTS (voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) oraz jego wersję czasu rzeczywistego – które zostały wycofane (deprecated) 31 października i usunięte 30 kwietnia 2027 r. Mistral zaznacza, że rodzina ta została zaprojektowana z myślą o wdrożeniach suwerennych: poprzez API hostowane w Europie lub poprzez samodzielny hosting (self-hosting), co daje organizacji kontrolę nad miejscem przetwarzania dźwięku i przechowywania rozmów.

Agenci głosowi: Gotowy potok głosowy

Tego samego dnia, 20 października, Mistral uruchomił Voice Agents, potok głosowy działający w czasie rzeczywistym i dwukierunkowo, udostępniony poprzez SDK Voice Agents. SDK obsługuje cały łańcuch: przechwytywanie dźwięku z mikrofonu, transkrypcję, generowanie odpowiedzi przez model, syntezę i odtwarzanie. Modele działają po stronie Mistrala, Twoja aplikacja przechwytuje i strumieniuje audio, a interfejsy są dostępne dla telefonii, przeglądarek i niestandardowych rozwiązań audio. W przypadku centrum kontaktowego lub asystenta hands-free oznacza to różnicę między składaniem pięciu bloków a integracją jednego.

Nowe modele wyspecjalizowane

W fazie publicznej zapowiedzi pojawiły się dwie nowe rodziny modeli. Shieldstral 1.0 to kompaktowy, wielomodalny model moderacji, który klasyfikuje bezpieczeństwo tekstu i obrazów. Timestral 1.0 to model bazowy dla szeregów czasowych, dostępny w czterech rozmiarach, który tworzy prognozy bez wcześniejszego treningu i generuje wyniki probabilistyczne. Do produkcji w zakresie moderacji modelem ogólnie dostępnym pozostaje Mistral Moderation 2 (mistral-moderation-2603), który obsługuje kontekst o długości 128 000 tokenów i wykrywa próby łamania zabezpieczeń (jailbreak).

Modele zewnętrzne na platformie Mistral

Cichszą, ale znaczącą nowością jest fakt, że Mistral hostuje teraz modele innych wydawców. Od 2 listopada 2026 r. katalog obejmuje Z.ai GLM 5.3 i GLM 5.3 Flash w ogólnej dostępności oraz DeepSeek V4.1 Flash w fazie publicznej zapowiedzi, wszystkie z oknem kontekstowym wynoszącym 1 milion tokenów. Wywołuje się je za pomocą tego samego API co modele Mistrala; GLM 5.2 został wycofany 29 września i usunięty 31 października na rzecz GLM 5.3.

OCR 4.1

Wreszcie, w kwestii dokumentów, OCR 4.1 (mistral-ocr-4-1) jest ogólnie dostępny od 31 sierpnia, w tej samej cenie co OCR 4.0, który został usunięty 30 września. Dodaje on wyniki pewności (confidence scores) na poziomie bloków; alias mistral-ocr-latest wskazuje na niego od 16 lipca.

Źródła oficjalne: Changelog · Modele · Voice Agents · Cennik

Kluczowe wnioski

  • Voxtral 3 (20 października, publiczna zapowiedź): trzy modele transkrypcji i jeden model syntezy mowy, zastępujące audio z 2026 r.
  • Voice Agents obsługuje cały potok głosowy w czasie rzeczywistym poprzez SDK
  • Nowi specjaliści w fazie zapowiedzi: Shieldstral (moderacja) i Timestral (szeregi czasowe)
  • Hostowane modele zewnętrzne: GLM 5.3, GLM 5.3 Flash, DeepSeek V4.1 Flash; OCR 4.1 w ogólnej dostępności