Ny talestack fra Mistral støtter alle 24 EU-språk og transkriberer fra 0,0035 dollar per minutt

Ny talestack fra Mistral støtter alle 24 EU-språk og transkriberer fra 0,0035 dollar per minutt

Mistral lanserte Voxtral 3 den 20. oktober 2026: talegjenkjenning, talesyntese og et SDK for taleagenter i én samlet pakke, levert via Mistrals EU-hostede API eller som selvhosting. Prisingen er aggressiv – hele pipelinen koster ifølge selskapet 0,04 dollar per minutt, omtrent halvparten av OpenAIs Realtime API. Men alle nøkkeltallene er Mistrals egne, uten uavhengig verifikasjon, og flere viktige opplysninger mangler fortsatt i lanseringsmaterialet.

Hva som ble lansert

Voxtral 3 består av tre deler som er koblet sammen i én pipeline: transkripsjonsmodellen Voxtral Small Transcribe 3, en resonneringsmodell som Mistral Small 4, og talesyntesemodellen Voxtral Mini TTS 3. For utviklere som tidligere måtte sette opp disse leddene hver for seg, er hovedbudskapet at hele kjeden – lytt, tenk, snakk – nå leveres som én strømmende tjeneste.

Det tekniske fundamentet er SDK bygd på LiveKits åpen kildekode-infrastruktur. Ifølge en MSN-syndikert rapport om lanseringen (via MSN, kilde c4030c80) sekvenserer SDK-en alle tre trinnene: transkripsjonsmodellen fanger og transkriberer tale, resonneringsmodellen behandler transkriptet og kan kalle eksterne verktøy, og TTS-modellen konverterer svaret til lyd – alt strømmet som én pipeline. SDK-en støtter telefoni via SIP og nettlesere og apper via WebRTC (Lapaas Voice, kilde 4665be65).

Mistral hevder under 500 ms sanntidslatens for transkripsjon og under ett sekund turn-latens for hele agenten. Dette er selskapets egne tall, ikke målinger tredjeparter har bekreftet.

Språkstøtte og rekkevidde

Transkripsjonen støtter ifølge Mistral 50 språk, inkludert alle de 24 offisielle EU-språkene pluss flere asiatiske og indiske språk (Lapaas Voice, kilde 4665be65). Talesyntesen dekker et annet og mindre tall: over 35 språk og over 50 dialekter (AI Weekly, kilde 99c2b956). De to tallene bør ikke blandes sammen – de beskriver forskjellige modeller.

En detalj verdt å merke seg for ikke-europeiske markeder: japansk støttes for både transkripsjon og talesyntese, men japansk er ikke blant de ferdiglagde TTS-stemmene, og nøyaktigheten i talerdiarisering på japansk er ikke offentliggjort (note.com, kilde 9dd8fa9f).

Tallene – og hvem som står bak dem

Mistrals mest iøynefallende benchmark er ordfeilraten på FLEURS 45. Ifølge selskapets egne tall, gjengitt av AI Weekly (kilde 99c2b956), oppnår Voxtral Small Transcribe 3 4,1 % når språket er oppgitt og 4,0 % når det utledes automatisk – mot 16,0 % og 14,9 % for OpenAIs Whisper large-v3. Det er en stor forskjell, men den stammer fra Mistral selv. Lanseringsinnlegget publiserer ingen per-språk-neddelinger av FLEURS-resultatene, noe som gjør det umulig å vurdere hvordan modellen presterer på enkelt språk.

For diarisering – hvilken stemme som sa hva, og når – angir den MSN-syndikerte rapporten (via MSN, kilde c4030c80) 18,4 % cpWER, et mål som kombinerer transkripsjonsnøyaktighet og talerattribusjon. Den japanske teknologibloggen note.com (kilde 9dd8fa9f) gjengir derimot Mistral-målt diariseringsfeil for Mini-modellen på 18,6 %, ned fra 30,9 % i forrige versjon. Avviket på 0,2 prosentpoeng kan skyldes at kildene beskriver litt ulike målinger, men det er uavklart i det tilgjengelige materialet.

note.com oppgir også at transkripsjonsfeilen for Mini på Artificial Analysis' indeks falt fra 3,59 % til 2,22 % sammenlignet med forgjengeren. Samme kilde avkrefter imidlertid deler av markedsføringen: at Voxtral «slår Whisper og andre» er Mistrals eget utsagn, og på samme Artificial Analysis-indeks finnes minst to tredjepartsmodeller med lavere feilrate enn den større Small-modellen.

Prisingen – lag på lag, med én uklarhet

Prisstrukturen, som den er gjengitt i dekningen:

• Sanntidstranskripsjon: 0,008 dollar per minutt, med sub-500 ms-latens (AI Weekly, kilde 99c2b956)
• Batch-transkripsjon: fra 0,0035 dollar per minutt for de to batch-variantene (samme kilde)
• Talesyntese: 13 dollar per million tegn for Voxtral Speech 3 (samme kilde)
• Hele agent-pipelinen: 0,04 dollar per minutt, beskrevet som omtrent halvparten av OpenAIs Realtime API (MSN, kilde c4030c80)

I tillegg rapporterer Cryptobriefing (kilde bfe29b5b) om en funksjon kalt Pro Voice, som skal gjøre det mulig å tilpasse en stemme med høy troverdighet ut fra 30 minutter referanselyd, med ventet API-pris på rundt 0,001 dollar per minutt. Dette tallet lar seg ikke umiddelbart forene med transkripsjonsprisene, og det er uklart om det beskriver et separat prisnivå eller noe annet enn minuttbasert lyd. Det bør leses med forsiktighet inntil det er avklart.

Suveren distribusjon som salgsargument

I tillegg til pris er distribusjonsmodellen et sentralt poeng: Mistral tilbyr enten sitt EU-hostede API eller selvhosting på privat infrastruktur, markedsført som «sovereign deployment», der kunden kontrollerer hvor lenge lyd lagres (AI Weekly, kilde 99c2b956). For europeiske virksomheter som bygger talegrensesnitt og må forholde seg til EUs AI-forordning, er kontroll over datapath og lydretensjon et konkret valgkriterium, ikke bare markedsføring.

Lanseringen følger på Mistrals tidligere satsing på tale: selskapet lanserte sine første taleforståelsesmodeller i juli 2025 og utvidet med TTS i mars 2026 (Cryptobriefing, kilde bfe29b5b).

Det som ikke kan verifiseres enn

Før man standardiserer på Voxtral 3, er det flere hull i det offentlige materialet:

1. Alle benchmark-tall er Mistrals egne. Ingen uavhengig part har bekreftet FLEURS-resultatene, latensene eller diariserings­tallene. Cryptobriefing og note.com peker begge på manglende uavhengig verifikasjon, og note.com viser til at to tredjepartsmodeller slår Small-modellen på samme indeks.
2. Ingen kundenavn. Lanseringsmaterialet nevner ingen organisasjoner som bruker stacken i produksjon (AI Weekly, kilde 99c2b956).
3. Vekter og lisens er uavklart. Selv om Mistral historisk har levert åpne vekter, er hverken vekterutgivelse eller lisens annonsert for denne versjonen (note.com, kilde 9dd8fa9f). Det påvirker direkte verdien av «selvhosting»-argumentet: man kan ikke selvhoste det som ikke er utgitt.
4. Per-språk-ytelse er ikke offentliggjort, verken for transkripsjon eller diarisering.

Hva dette betyr

Det konkrete budskapet i lanseringen er ikke først og fremst at Mistral hevder rekorder, men at hele taleagent-pipelinen nå pakkes som én tjeneste med én regning, EU-hosting eller selvhosting, og priser som ifølge dekningen ligger under OpenAIs tilsvarende tilbud. For utviklere som bygger telefoni- eller appbaserte taleagenter i Europa, gir det et reelt alternativ å evaluere.

Men evalueringen bør vente på det som mangler: uavhengige målinger, per-språk-tall, vekter med lisens, og referansekunder. Inntil videre er de mest brukbare tallene i lanseringen prisene – som er lette å verifisere ved å bruke API-et – mens de mest markante påstandene om kvalitet foreløpig kun eksisterer i Mistrals egen regning.