Mistral Voxtral 3 bringt Sprachagenten ab 0,0035 US-Dollar pro Minute

Mistral AI hat am 20. Oktober 2026 Voxtral 3 veröffentlicht, eine Familie von Speech-Modellen zum Bauen von Sprachagenten, die zuhören, schlussfolgern, sprechen und handeln. Die Transkription beginnt bei 0,0035 US-Dollar pro Minute, ein vollständiger Sprachagent bei 0,04 US-Dollar pro Minute. Mistral behauptet zudem, dass die Modelle geschlossene Konkurrenten von OpenAI und ElevenLabs schlagen, berichtet Crypto Briefing.

Was in Voxtral 3 steckt

Voxtral 3 deckt beide Richtungen der Sprache ab. Speech-to-Text-Modelle wandeln Audio in Text um, und ein Text-to-Speech-Modell macht aus Text wieder eine Stimme. Eine Voice-Agent-API verbindet sie mit einem Sprachmodell, sodass ein Anrufer mit Software sprechen kann, die antwortet und Aktionen ausführt.

Mistrals Ankündigung nennt diese Modelle und Preise:

Modell	Was es macht	Preis
Voxtral Mini Transcribe 3	Speech-to-Text im Batch	0,0035 US-Dollar pro Minute
Voxtral Small Transcribe 3	Speech-to-Text mit Sprecherzuordnung	0,0040 US-Dollar pro Minute
Voxtral Mini Transcribe Realtime 3	Live-Speech-to-Text	0,008 US-Dollar pro Minute
Voxtral Speech 3	Text-to-Speech	13 US-Dollar pro Million Zeichen
Voice-Agent-API, mit Mistral Small 4	Vollständiger Sprachagent	0,04 US-Dollar pro Minute
Voice-Agent-API, mit einem anderen Modell	Vollständiger Sprachagent	0,08 US-Dollar pro Minute

Der Beitrag nennt das Stimmmodell auf mehrere Arten, darunter Voxtral Mini TTS 3. Die Transkription deckt mehr als 50 Sprachen ab, darunter die 24 Amtssprachen der Europäischen Union. Das Stimmmodell deckt mehr als 35 Sprachen und 50 Dialekte ab, mit fertigen Stimmen in 18 Sprachen. Die Option Pro Voice erstellt aus 30 Minuten aufgenommener Sprache eine eigene Stimme.

So funktionieren die Sprachagenten

Das Agenten-Kit basiert auf LiveKit, einem Open-Source-Toolkit für Live-Audio und -Video. Es verbindet sich über SIP mit Telefonleitungen und über WebRTC mit Browsern und Apps. Jede Stufe ist ein eigenes Modell, sodass ein Team Sprachmodell, Stimme oder Sprache austauschen kann, ohne den Agenten neu zu schreiben, so Mistral.

Geschwindigkeit ist das Verkaufsargument. Laut Mistral läuft die Live-Transkription in unter 500 Millisekunden, und ein vollständiger Agenten-Durchgang ist in unter einer Sekunde abgeschlossen. Agenten können mitten im Gespräch externe Systeme aufrufen, berichtet The Decoder, etwa um Termine zu buchen oder Rechnungen zu prüfen.

Die Modelle laufen über Mistrals API, mit Endpunkten in Europa, den USA und global. Unternehmen können sie nach Kontakt mit Mistral auch auf eigenen Servern oder in einer privaten Cloud betreiben.

Benchmarks und offene Fragen

Mistrals Zahlen stammen aus eigenen Tests. Bei der Transkription mit Sprecherzuordnung muss das Modell auch angeben, wer gesprochen hat. Dort meldet Mistral eine Fehlerrate von 18,4 % für Voxtral Small Transcribe 3. Das schlägt Scribe v2 mit 23,0 % und Gemini 3.5 Transcribe mit 38,4 %, wie das Diagramm oben zeigt.

Beim Erkennen von Schlüsselbegriffen in Telefonkonferenzen zu Quartalszahlen, mit einer Liste erwarteter Wörter, erreichte Voxtral Small Transcribe 3 94,6 %. Scribe v2 erreichte 94,3 % und Gemini 3.5 Transcribe 87,3 %.

Zwei Berichte widersprechen Mistrals eigener Seite. Crypto Briefing beschreibt die Pipeline als Open-Weight und nennt etwa 0,001 US-Dollar pro Minute. Mistrals Beitrag nennt keine Lizenz und führt für die Transkription 0,0035 bis 0,008 US-Dollar pro Minute auf. Bis Mistral Gewichte und eine Lizenz veröffentlicht, sollten Sie Voxtral 3 als API-Produkt mit einer Option zum Selbst-Hosting betrachten.

Wie es preislich abschneidet

Die Preise für Sprachagenten gleichen sich an. Grok Voice 3.0 von xAI kostet 0,08 US-Dollar pro Minute in seiner Voice-Agent-API. Mistral erreicht diesen Preis mit jedem externen Modell und halbiert ihn mit dem eigenen Mistral Small 4. Voxtral 3 ist Mistrals viertes Voxtral-Release seit Juli 2025, nach Speech-Modellen im Februar und März 2026.

Was das für Entwickler bedeutet

Voxtral 3 macht einen vollständigen Sprachagenten zu einem fertigen Produkt mit Preisschild statt zu einem zusammengestückelten Projekt.

• Kalkulieren Sie Ihr Anrufvolumen pro Minute. Bei 0,04 US-Dollar pro Minute kostet ein Monat mit 10.000 Minuten mit Mistral Small 4 etwa 400 US-Dollar. Rechnen Sie Ihren eigenen Anrufmix durch, bevor Sie Anbieter vergleichen.
• Testen Sie die Sprecherzuordnung mit Ihrem Audio. Die Fehlerrate von 18,4 % stammt aus Testsets, die Mistral ausgewählt hat. Nehmen Sie einige echte Gespräche auf, in denen durcheinandergeredet wird, und prüfen Sie selbst, wer was gesagt hat.
• Nutzen Sie den modularen Aufbau. Weil jede Stufe separat ist, können Sie Mistrals Transkription behalten und ein anderes Sprachmodell einbinden. Das kostet 0,08 statt 0,04 US-Dollar pro Minute.
• Fragen Sie nach den Gewichten, bevor Sie Selbst-Hosting planen. Der Betrieb vor Ort läuft über Mistrals Vertriebsteam, und eine Lizenz ist nicht veröffentlicht. Lassen Sie sich die Bedingungen schriftlich geben, wenn Daten im Haus bleiben müssen.