Salt la conținutul principal
Română— Alege o limbă
Meniu

Voxtral 3, agenți vocali și noi modele specializate

Lecția 11 din 12 Actualizată 2 noiembrie 2026 Intermediar
Pe această pagină
  1. Voxtral 3: Patru modele audio
  2. Agenți vocali: Fluxul de lucru vocal la cheie
  3. Noi modele specializate
  4. Modele terțe pe platforma Mistral
  5. OCR 4.1
  6. Puncte cheie

Actualizările de toamnă ale Mistral nu se rezumă doar la Large 4. Pe 20 octombrie 2026, compania și-a reînnoit întreaga gamă audio și a lansat un flux de lucru vocal gestionat; în același timp, mai multe modele specializate și modele terțe au intrat în catalog. Această lecție acoperă toate aspectele, distinguind ceea ce este disponibil public de ceea ce rămâne în previzualizare.

Voxtral 3: Patru modele audio

Familia Voxtral 3 include patru modele, toate aflate în previzualizare publică începând cu 2 noiembrie 2026.

ModelIDCaz de utilizarePreț
Voxtral Mini Transcribe 3voxtral-mini-transcribe-3-0Transcriere fișiere, cu diarizare și marcare temporală0,0035 $ pe minut
Voxtral Small Transcribe 3voxtral-small-transcribe-3-0Cea mai precisă transcriere din familie, cu diarizare0,004 $ pe minut
Voxtral Mini Transcribe Realtime 3voxtral-mini-transcribe-realtime-3-0Transcriere în timp real, latență ajustabilă și detectare a schimbării vorbitorului0,008 $ pe minut
Voxtral TTS 3voxtral-mini-tts-3-0Sinteză vocală cu clonare vocală, peste 35 de limbi și 50 de dialecte, streaming13 $ per milion de caractere

Aceste modele înlocuiesc generația audio din 2026 — Voxtral TTS (voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) și versiunea sa în timp real — care au fost depreciate pe 31 octombrie și eliminate pe 30 aprilie 2027. Mistral precizează că familia este concepută pentru implementare suverană: prin API-ul său găzduit în Europa sau prin auto-găzduire, oferind organizației control asupra locului unde sunt procesate datele audio și unde sunt stocate conversațiile.

Agenți vocali: Fluxul de lucru vocal la cheie

În aceeași zi, 20 octombrie, Mistral a lansat Voice Agents, un flux de lucru vocal bidirecțional în timp real, expus prin SDK-ul Voice Agents. SDK-ul gestionează întregul lanț: captarea microfonului, transcrierea, generarea răspunsului de către un model, sinteza și redarea. Modelele rulează pe Mistral, aplicația dumneavoastră captează și transmite fluxul audio, iar interfețele sunt furnizate pentru telefonie, browser și audio personalizat. Pentru un centru de contact sau un asistent hands-free, aceasta face diferența dintre asamblarea a cinci blocuri și integrarea unuia singur.

Noi modele specializate

Două noi familii au apărut în previzualizare publică. Shieldstral 1.0 este un model compact de moderare multimodală care clasifică siguranța textului și a imaginilor. Timestral 1.0 este un model de bază pentru serii temporale, disponibil în patru dimensiuni, care realizează previziuni fără antrenament prealabil și produce rezultate probabilistice. Pentru moderarea în producție, modelul disponibil public rămâne Mistral Moderation 2 (mistral-moderation-2603), care gestionează un context de 128.000 de tokeni și detectează încercările de jailbreak.

Modele terțe pe platforma Mistral

O noutate mai discretă, dar semnificativă: Mistral găzduiește acum modele de la alți editori. Începând cu 2 noiembrie 2026, catalogul include Z.ai GLM 5.3 și GLM 5.3 Flash, în disponibilitate generală, și DeepSeek V4.1 Flash, în previzualizare publică, toate cu o fereastră de context de 1 milion de tokeni. Acestea sunt apelate folosind același API ca și modelele Mistral; GLM 5.2 a fost depreciat pe 29 septembrie și eliminat pe 31 octombrie în favoarea GLM 5.3.

OCR 4.1

În final, în ceea ce privește documentele, OCR 4.1 (mistral-ocr-4-1) este disponibil public din 31 august, la același preț ca OCR 4.0, care a fost eliminat pe 30 septembrie. Acesta adaugă scoruri de încredere la nivel de bloc; aliasul mistral-ocr-latest indică spre acesta din 16 iulie.

Surse oficiale: Changelog · Models · Voice Agents · Pricing

Puncte cheie

  • Voxtral 3 (20 octombrie, previzualizare publică): trei modele de transcriere și un model de sinteză vocală, înlocuind audio-ul din 2026
  • Voice Agents gestionează întregul flux de lucru vocal în timp real prin intermediul unui SDK
  • Noi specialiști în previzualizare: Shieldstral (moderare) și Timestral (serii temporale)
  • Modele terțe găzduite: GLM 5.3, GLM 5.3 Flash, DeepSeek V4.1 Flash; OCR 4.1 în disponibilitate generală