Berdasarkan rilis resmi Mistral AI (20/10), perusahaan memperkenalkan Voxtral 3, keluarga model suara dan perangkat pengembangan (SDK) agen suara yang dirancang untuk percakapan multi-langkah secara real-time dalam lebih dari 50 bahasa. Peluncuran ini ditujukan bagi pusat kontak, meja layanan, asisten virtual, hingga asisten tanpa genggam (hands-free copilots) yang membutuhkan interaksi suara yang menyerupai percakapan manusia.

Voxtral 3 terdiri atas dua model utama. Voxtral Small Transcribe 3 menangani transkripsi ucapan ke teks dengan kemampuan membedakan siapa yang berbicara (diarization) dan mengenali akhir giliran bicara agar agen bisa merespons tanpa jeda. Model ini mendukung 50 bahasa, termasuk 24 bahasa resmi Uni Eropa serta sejumlah bahasa Asia dan Indic yang selama ini kurang terlayani. Versi Mini hadir dengan 4 miliar parameter dan dibanderol 0,0035 dolar AS per menit. Sementara itu, Voxtral Mini TTS 3 merupakan model teks-ke-ucapan yang menyesuaikan emosi, kecepatan, dan tekanan bicara sesuai konteks, dengan dukungan lebih dari 35 bahasa dan 50 dialek.

SDK agen suara anyar dari Mistral menyatukan kemampuan mendengar, bernalar, memanggil alat, dan berbicara dalam satu jalur streaming real-time. Artinya, agen dapat mengambil informasi, berinteraksi dengan sistem bisnis, dan menyelesaikan tugas saat percakapan berlangsung lewat telepon maupun web. Untuk kebutuhan profesional, fitur Pro Voice memungkinkan adaptasi suara dari karakter, rentang emosi, dan gaya bicara pembicara hanya dengan sampel audio selama 30 menit. Mistral mengklaim model transkripsinya mengungguli Whisper, Scribe v2, dan Gemini 3.5 Transcribe pada tolok ukur multibahasa dan diarisasi, meski klaim tersebut belum diverifikasi secara independen.

Soal penempatan data, keluarga Voxtral 3 tersedia melalui API yang di-hosting di Uni Eropa atau dapat dipasang sendiri di infrastruktur organisasi. Opsi ini memberi kendali atas lokasi pemrosesan audio, penanganan data, dan apakah percakapan perlu disimpan.

Secara umum, SDK (Software Development Kit) adalah paket perangkat lunak yang membantu developer membangun aplikasi di atas teknologi tertentu, sementara model text-to-speech adalah sistem yang mengubah teks menjadi ucapan sintetis. Kombinasi keduanya dalam satu alur real-time menjadi pendekatan yang semakin umum dipakai perusahaan untuk mengotomasi layanan pelanggan dan mengurangi beban kerja agen manusia.