Voxtral 3, agenci głosowi i nowe wyspecjalizowane modele
Na tej stronie
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).
| Model | ID | Przypadek użycia | Cena |
|---|---|---|---|
| Voxtral Mini Transcribe 3 | voxtral-mini-transcribe-3-0 | Transkrypcja plików z diarizacją i znacznikami czasu | 0,0035 USD za minutę |
| Voxtral Small Transcribe 3 | voxtral-small-transcribe-3-0 | Najdokładniejsza transkrypcja w rodzinie, z diarizacją | 0,004 USD za minutę |
| Voxtral Mini Transcribe Realtime 3 | voxtral-mini-transcribe-realtime-3-0 | Transkrypcja w czasie rzeczywistym, regulowane opóźnienie i wykrywanie zmian mówcy | 0,008 USD za minutę |
| Voxtral TTS 3 | voxtral-mini-tts-3-0 | Synteza mowy z klonowaniem głosu, ponad 35 języków i 50 dialektów, strumieniowanie | 13 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