Mistral Voxtral 3. Głosowi agenci AI z serwerami w UE

Co Mistral udostępnił w Voxtral 3

Voxtral 3 to nie jeden model, lecz zestaw elementów potrzebnych do rozmowy głosowej z maszyną. Rozpoznawanie mowy zamienia wypowiedź na tekst, model językowy decyduje, co odpowiedzieć i czy sięgnąć po dane, a synteza mowy czyta odpowiedź na głos. Mistral łączy te kroki w jeden strumień danych, tak aby agent mógł reagować bez wyraźnych przerw.

Najdokładniejszy jest Voxtral Small Transcribe 3. Lżejszy Voxtral Mini Transcribe 3 ma 4 mld parametrów i służy do przetwarzania gotowych nagrań. Voxtral Mini Transcribe Realtime 3 rozpoznaje mowę na bieżąco z opóźnieniem poniżej 500 ms. Model syntezy mowy pojawia się w materiałach firmy pod dwiema nazwami, Voxtral Speech 3 i Voxtral Mini TTS 3.0.

Ostatni element to SDK zbudowane na LiveKit, otwartej platformie do komunikacji audio i wideo w czasie rzeczywistym. Agent może odbierać połączenia telefoniczne przez protokół SIP albo rozmawiać w przeglądarce i aplikacji przez WebRTC. Według Mistrala potrafi wywoływać funkcje, przeszukiwać internet i firmowe dokumenty, przewiduje koniec wypowiedzi rozmówcy i przerywa, gdy klient zaczyna mówić.

Ile kosztuje Voxtral 3 w złotych

Mistral podał ceny w dolarach, bez podatku VAT. Kwoty w złotych przeliczyliśmy po średnim kursie NBP z 20 października 2026 roku (3,8959 zł za 1 USD). Ostateczny koszt zależy od długości rozmów, liczby znaków i wybranego modelu.

• Voxtral Mini Transcribe 3 (nagrania) - 0,0035 USD za minutę, ok. 0,82 zł za godzinę audio.
• Voxtral Small Transcribe 3 - 0,004 USD za minutę, ok. 0,93 zł za godzinę audio.
• Voxtral Mini Transcribe Realtime 3 - 0,008 USD za minutę, ok. 1,87 zł za godzinę audio.
• Voxtral Speech 3 (synteza mowy) - 13 USD za 1 mln znaków, ok. 50,65 zł.
• Agent głosowy z Mistral Small 4 - 0,04 USD za minutę, ok. 0,16 zł.
• Agent głosowy z innym modelem językowym - 0,08 USD za minutę, ok. 0,31 zł.

Czy Voxtral 3 obsługuje język polski

Obsługa polskiego jest częściowa i zależy od trybu. Mistral deklaruje 50 języków transkrypcji, w tym wszystkie 24 języki urzędowe UE, więc formalnie obejmuje też polski. Polski znajduje się w zestawie testowym FLEURS dla 45 języków, na którym firma mierzyła transkrypcję nagrań, oraz na liście języków syntezy mowy.

Inaczej wygląda tryb na żywo, najważniejszy dla agentów obsługujących infolinię. Lista 35 języków, na których Mistral testował transkrypcję w czasie rzeczywistym, nie zawiera polskiego. Gotowe głosy przygotowano dla 18 języków. Firma, która chce wdrożyć polskojęzycznego agenta, powinna więc najpierw sama sprawdzić jakość rozpoznawania nazwisk, adresów i numerów.

Wyniki testów według Mistrala

W teście FLEURS dla 45 języków z wymuszonym językiem Voxtral Small osiągnął według wykresu firmy ok. 4,1 proc. błędnie rozpoznanych słów (WER, word error rate). To wynik zbliżony do Microsoft AI Transcribe 2 i lepszy od Gemini 3.5 Transcribe (ok. 6,1 proc.) oraz Whisper large-v3 (ok. 16 proc.). Liczby odczytaliśmy z wykresów, bo Mistral nie opublikował tabeli z dokładnymi wartościami.

Firma chwali się też rozpoznawaniem, kto mówi w nagraniu wielu osób, oraz lepszym wychwytywaniem nazw własnych po podaniu listy słów kluczowych. To przydatne przy transkrypcji spotkań i rozmów z klientami. Wszystkie te pomiary przeprowadził producent, a niezależnych porównań na razie brak.

Konkurencja na rynku agentów głosowych

Premiera zbiegła się z ruchem ElevenLabs. Według THE DECODER 20 października firma udostępniła dwa modele Eleven Realtime, w których rozpoznawanie mowy, model językowy i synteza głosu są dobrane i dostrojone przez producenta jako jedna konfiguracja. Wersja v1 Max ma odpowiadać w 0,57 s. Cennik ElevenLabs opublikował później: 0,08 USD za minutę połączenia plus opłaty za tokeny modelu językowego.

Mistral wybrał bardziej otwarty wariant. Łączy osobne modele w jeden potok, ale pozwala podmienić model językowy i kontrolować każdy etap. Dla europejskich firm argumentem może być też API hostowane w UE oraz możliwość uruchomienia całości we własnym centrum danych, o co trzeba jednak zapytać dział sprzedaży.

Co to oznacza dla firm w Polsce

Najbardziej oczywiste zastosowanie to infolinie, rejestracja wizyt i obsługa zamówień telefonicznych. Przy cenie ok. 0,16 zł za minutę rozmowy z agentem koszt technologii jest niski w porównaniu z kosztem pracy konsultanta. Do tego dochodzą jednak opłaty telekomunikacyjne, integracja z systemami i testy jakości po polsku.

Wdrożenie wymaga też uwagi prawnej. Nagrania rozmów to dane osobowe w rozumieniu RODO, a AI Act wymaga, by osoba rozmawiająca z systemem AI wiedziała o tym, chyba że jest to oczywiste z kontekstu. W naszej ocenie hosting w UE upraszcza ocenę transferu danych, ale nie zwalnia z umowy powierzenia i oceny skutków dla ochrony danych.

Ograniczenia i niewiadome

Komunikat Mistrala pozostawia kilka otwartych pytań. Warto je wyjaśnić przed podpisaniem umowy.

• brak informacji o licencji i otwartych wagach nowych modeli,
• brak pełnej listy 50 języków transkrypcji,
• brak polskiego w testach transkrypcji na żywo,
• brak danych o opóźnieniu syntezy mowy,
• klonowanie głosu wymaga co najmniej 30 minut nagrań, co rodzi pytania o zgodę osoby, której głos jest kopiowany.