让 AI 接电话，难点不只是“听懂”：它还得判断用户想做什么，调用预约或客服系统，再自然地把结果说出来。Mistral 发布 Voxtral 3，把这些环节接进同一套实时语音 Agent SDK——也就是供开发者直接搭应用的代码工具包。其转写模型覆盖 50 多种语言，还能做说话人分离，标出多人对话中“谁说了什么”。
这次更值得注意的是工具链变完整了。Voxtral Small Transcribe 3 除转写外，还支持翻译、语音问答、摘要和函数调用；Voxtral Mini TTS 3 则负责把文字变成语音，支持无需专门训练的声音克隆。Mistral 文档称，其首包音频延迟约 90 毫秒——即提交文字后，约多久能听到第一段声音。整套服务可走 Mistral 的欧盟 API，也可部署在自有基础设施上。相关模型仍处于 Public Preview，性能排名与“业界领先”等说法均来自 Mistral 自述。