Mistral Voxtral 3 erklärt: Voice Agent Stack vs. ElevenLabs Echtzeit

Mistral Voxtral 3 erklärt: Full Voice Agent Stack vs. ElevenLabs Realtime

Voice AI hatte einen arbeitsreichen Dienstag. Am 20. Oktober 2026 veröffentlichte Mistral Voxtral 3, einen vollständigen Sprachagenten-Stack mit drei Transkriptionsstufen, einem Text-zu-Sprach-Modell und einem Echtzeit-Sprachagenten-SDK. Am selben Nachmittag veröffentlichte ElevenLabs Eleven Realtime, zwei Sprach-zu-Sprache-Modelle, die für Live-KI-Gespräche entwickelt wurden.

Zwei Labore, zwei sehr unterschiedliche Architekturen, ein Ziel: KI, die ein echtes Telefongespräch führen kann. Hier ist, was jedes Labor macht, was jedes kostet und wie man zwischen ihnen wählt.

Kurzes Urteil

Fazit: Wählen Sie Voxtral 3, wenn die Datenresidenz, mehrsprachige Abdeckung oder die Kosten pro Minute die Entscheidung bestimmen. Wählen Sie Eleven Realtime, wenn die Stimme selbst fehlerfrei klingen muss. Lesen Sie weiter für die vollständigen Zahlen.

Was Mistral Voxtral 3 tatsächlich beinhaltet

Voxtral 3 ist kein einzelnes Modell. Es ist eine Familie von Sprachmodellen plus ein Sprachagenten-SDK, das sie zusammenführt. Jeder Teil ist heute über die API von Mistral verfügbar, in der EU gehostet oder auf Ihrer eigenen Infrastruktur bereitgestellt.

Voxtral Mini Transcribe 3: 0,0035 $ pro Minute

Die Budget-Transkriptionsstufe. Ein 4-Milliarden-Parameter-Sprach-zu-Text-Modell, entwickelt für Batch-Workloads, zum Preis von 0,0035 $ pro Minute Audio. Beide Batch-Modelle akzeptieren Schlüsselbegriffe und zusätzlichen Kontexttext, sodass der Domänenwortschatz ohne Feinabstimmung erkannt wird.

Voxtral Small Transcribe 3: 0,004 $ pro Minute

Das Flaggschiff-Transkriptionsmodell: 50+ Sprachen, darunter alle 24 offiziellen EU-Sprachen sowie asiatische und indische Sprachen mit weniger Ressourcen. Es fügt Sprecher-Tagebuch, End-of-Turn-Erkennung (es weiß, wann der Anrufer aufgehört hat zu sprechen) und Kontextverzerrung für spezialisierte Begriffe hinzu. Mistral sagt, es schlägt Whisper, Scribe v2 und Gemini 3.5 Transcribe in ihren eigenen mehrsprachigen Tests. Mehr zu diesen Zahlen unten.

Voxtral Mini Transcribe Realtime 3: 0,008 $ pro Minute

Die agentenorientierte Stufe: 35+ Sprachen mit Transkriptionslatenz unter 500 Millisekunden, einschließlich Sprecheridentifikation und Vokabelnutzung. Dies ist das Modell, das das Sprachagenten-SDK versorgt.

Voxtral Speech 3: 13 $ pro 1 Million Zeichen

Das Text-zu-Sprache-Modell umfasst 35+ Sprachen und 50+ Dialekte, wobei Emotion, Tempo und Betonung als Instruktionsvariablen steuerbar sind. Sprachvoreinstellungen werden in 18 Sprachen ausgeliefert, von Arabisch und Hindi bis Vietnamesisch. Stimmklonen benötigt 30 oder mehr Minuten Audio, und eine Pro Voice-Option passt den Charakter und den emotionalen Umfang eines Sprechers über Sprachen hinweg aus etwa 30 Minuten Aufnahmen an. Gleicher Preis von 13 $ für Batch- und Echtzeitnutzung über eine API. Mistral positioniert es als günstiger als OpenAI TTS-1, Deepgram, ElevenLabs Flash und Gemini Flash.

Das Sprachagenten-SDK: LiveKit, weniger als eine Sekunde pro Runde

Der Hauptteil ist das SDK, das auf LiveKit basiert. Voxtral Mini Transcribe Realtime 3 hört zu, ein allgemeines Modell wie Mistral Small Reasoning- und Call-Tools, und Voxtral Speech 3 antwortet im Ton des Gesprächs. Keine Bühne wartet auf die vorherige, also sagt Mistral, jede Runde sei in weniger als einer Sekunde abgeschlossen und der Agent hört auf zu sprechen, wenn der Anrufer einschaltet.

Während eines Anrufs kann der Agent die Identität eines Anrufers überprüfen, eine Rechnung prüfen oder einen Termin buchen, indem er Funktionsanrufe, Websuche und Abruf über eigene Systeme verwendet. Er nimmt Anrufe entgegen und führt Anrufe über SIP durch, läuft in Browsern und Apps über WebRTC und wird in Telefonie-, IVR- und Kontaktcenter-Software eingekoppelt. Jede Stufe ist ein separates Modell, sodass Sie das LLM, die Stimme oder die Sprache austauschen können, ohne den Agenten neu zu schreiben.

Deployment ist der Sovereignity-Pitch: Führen Sie den Stack auf Mistrals EU-API oder auf Ihrer eigenen Infrastruktur aus, mit Kontrolle darüber, wo Gespräche verarbeitet werden und ob Audio gespeichert wird. Beachten Sie, dass die Ankündigung keine herunterladbaren Openweights verknüpft; Self-Hosting wird über Mistrals eigenen Deployment-Kanal angeboten.

Was ElevenLabs ausgeliefert hat: Eleven Realtime v1 Max und v1 Mini

ElevenLabs wechselte zum End-to-End-System statt modular. Zwei Sprach-zu-Sprache-Modelle, die am selben Tag veröffentlicht wurden:

• Eleven Realtime v1 Max: das Genauigkeitsspiel. ElevenLabs berichtet 98,8 % im Big Bench Audio Benchmark mit etwa 0,57 Sekunden Reaktionszeit und sagt, dass kein Modell auf der Artificial Analysis Sprach-zu-Rede-Bestenliste derzeit schneller und genauer ist. Zielt auf anspruchsvolle Aufgaben wie Kundensupport-Bots.
• Eleven Realtime v1 Mini: Das Kostenspiel für natürliche, alltägliche Gespräche. Es kann erkennen, wann ein Lautsprecher fertig ist oder nur "mm-hmm" sagt, was für das natürliche Drehen sehr wichtig ist.

Beide laufen über die ElevenAgents-Plattform und eine OpenAI-kompatible Echtzeit-API, sodass bestehender OpenAI-Sprachagentencode auf die Endpunkte von ElevenLabs verweisen kann. Die Preise sind pro Minute Audio plus Token-Nutzung, wobei Max über Mini liegt; ElevenLabs hat keine feste Minutenzahl veröffentlicht wie Mistral. Unabhängige Benchmarks, die über die eigenen Angaben des Unternehmens hinausgehen, wurden bisher nicht veröffentlicht.

Benchmarks: Wer transkribiert besser

Mistral veröffentlichte Fehlerraten im FLEURS-Benchmark in 45 Sprachen mit abgeleiteter Sprache. Voxtral Small Transcribe 3 erreicht 4,0 % und gleichzieht damit Microsoft AI Transcribe 2 in Mistrals eigenen Zahlen, vor Gemini 3.5 Transcribe mit 4,5 %, Scribe v2 mit 4,9 %, GPT Transcribe mit 5,6 % und Whisper large-v3 mit 14,9 %.

Zwei wichtige Vorbehalte. Erstens sind dies von Anbietern berichtete Zahlen aus Mistrals Startbeitrag, nicht unabhängig verifiziert, und der Beitrag veröffentlicht keine Sprachausschnitte oder Kundennamen. Zweitens: Vergleichen Sie dieses Diagramm nicht mit der 98,8%-Zahl von Big Bench Audio von ElevenLabs: Verschiedene Benchmarks messen unterschiedliche Dinge, und Cross-Benchmark-Gewinner werden hier aus diesem Grund nicht genannt.

Für Eleven Realtime lautet die ehrliche Aussage, dass ElevenLabs eigene Big Bench Audio und Artificial Analysis Ansprüche derzeit die einzigen verfügbaren Zahlen sind. Behandle die Zahlen beider Anbieter als Marketing, bis Dritte sie reproduzieren.

Auf welchem solltest du aufbauen?

Wählen Sie Voxtral 3, wenn:

• Du brauchst eine EU-Datenresidenz oder einen selbstgehosteten Stack, den dein Compliance-Team überprüfen kann.
• Transkription ist die Arbeitsbelastung: 50+ Sprachen zu 0,0035 bis 0,004 Dollar pro Minute sind wirklich günstig.
• Du möchtest eine modulare Pipeline, in der das LLM, die Stimme und die Sprache unabhängig voneinander ausgetauscht werden können.
• Du brauchst ein Tool mitten im Anruf: Buchung, Rechnungssuche, Identitätsverifizierung über SIP und WebRTC.

Wählen Sie Eleven Realtime, wenn:

• Die Stimme selbst ist das Produkt: erstklassige Natürlichkeit, Charakterstimmen, Markenagenten.
• Du willst eine End-to-End-Sprech-Kommunikation, ohne selbst STT und TTS miteinander zu verbinden.
• Du baust bereits auf ElevenAgents oder möchtest eine OpenAI-kompatible Echtzeit-API.
• Du brauchst 10-sekündige Sofort-Stimm-Klone statt 30-minütige.

Betrachten Sie beides, wenn: Sie erstellen Sprachagenten für Kunden und die Preise pro Projekt erfolgen. Voxtrals Batch-Transkription von 0,0035 $ pro Minute und 13 $ pro Zeichen-TTS setzen einen niedrigen Mindestpreis für hochvolumige Arbeiten, während ElevenLabs 10-Sekunden-Klonen und Sprach-zu-Sprache-Natürlichkeit einen Aufpreis rechtfertigen können, bei dem die Stimme den Unterschied macht. CodeMyPixel integriert genau diese Art von Bewertung in jede KI-Agentenentwicklung: Vergleichen Sie beide Stacks mit Ihren echten Anrufen, bevor Sie sich festlegen.

FAQ

Wie viel kostet Voxtral 3?

Die Transkription kostet 0,0035 $ pro Minute für Voxtral Mini Transcribe 3 in Charge, 0,0040 $ für Voxtral Small Transcribe 3 und 0,008 $ für Voxtral Mini Transcribe Realtime 3. Voxtral Speech 3 Text-to-Speech kostet 13 $ pro Million Zeichen, der gleiche Preis für Batch- und Echtzeitnutzung.

Ist Voxtral 3 Open Source?

Die Launch-Ankündigung verknüpft keine offenen Gewichte oder eine herunterladbare Lizenz. Mistral bietet die Modelle über seine API mit EU-, US- und globalen Endpunkten an, und Teams, die Audio benötigen, um in ihrer eigenen Umgebung zu bleiben, können Mistral nach selbstgehosteten oder privaten Cloud-Bereitstellungen fragen.

Wie genau ist Voxtral Small Transcribe 3?

Im FLEURS-Test von Mistral in 45 Sprachen wird eine Fehlerquote von 4,0 % bei der Inferled Language angegeben, gegenüber 4,5 % für Gemini 3.5 Transcribe, 4,9 % für Scribe v2, 5,6 % für GPT Transcribe und 14,9 % für Whisper large-v3. Microsoft AI Transcribe 2 gleicht mit 4,0 %. Dies sind die veröffentlichten Zahlen von Mistral, die nicht unabhängig verifiziert wurden.

Was ist der Unterschied zwischen Voxtral 3 und ElevenLabs Eleven Realtime?

Voxtral 3 ist ein modularer Stack: separate Sprach-zu-Text-, LLM- und Text-zu-Sprache-Modelle, verbunden durch ein auf LiveKit basierendes SDK. Eleven Realtime ist End-to-End-Sprache: Ein Modell nimmt Audio auf und produziert Audio aus, in zwei Stufen (v1 Max für Genauigkeit, v1 Mini für Kosten).

Kann Voxtral Speech 3 eine Stimme klonen?

Ja, ab 30 oder mehr Minuten Audio. Eine Pro Voice-Option passt den Charakter, den emotionalen Umfang und den Stil eines Sprechers über Sprachen hinweg an, basierend auf etwa 30 Minuten Aufnahmen. Sprachvoreinstellungen sind in 18 Sprachen verfügbar.

Wann wurde Voxtral 3 veröffentlicht?

Mistral kündigte Voxtral 3 am 20. Oktober 2026 an, einen Tag nach seinem Timestral-Zeitreihenmodell. ElevenLabs veröffentlichte am selben Nachmittag Eleven Realtime.

Was ist besser für einen Kundensupport-Sprachagenten?

Wenn Support-Anrufe in vielen Sprachen laufen und das Budget knapp ist, sind Voxtral 3s Transkription von 0,004 $/min mit Sprecher-Diarisation und das LiveKit SDK die praktischen Wahl. Wenn Anrufer nie das Gefühl haben wollen, mit einem Roboter zu sprechen, ist die 0,57-sekündige Sprach-zu-Sprache-Pipeline von Eleven Realtime v1 Max dafür gebaut. Die meisten Teams sollten beide mit echten Gesprächsaufnahmen testen, bevor sie sich entscheiden.

Wo kann ich einen Sprachagenten für mein Unternehmen erstellen lassen?

CodeMyPixel entwirft und baut individuelle KI-Agenten, die Anrufe, Buchungen und Nachverfolgungen für echte Unternehmen übernehmen, einschließlich Sprachagenten auf Stacks wie Voxtral 3. Beginnen Sie mit einer kostenlosen KI-Opportunity-Review, um zu sehen, welche Teile Ihres Betriebs ein Sprachagent übernehmen kann.

Quellen: Mistral AI Startpost (mistral.ai/news/voxtral-3), Technobezz, The Decoder, The Circuitry, ai-tldr, explainx.ai. Alle Benchmark- und Preiswerte sind wie von den Anbietern am 20. Oktober 2026 veröffentlicht und wurden nicht unabhängig überprüft.

• mistral voxtral 3
• voice ai
• voice agents
• elevenlabs
• text to speech
• speech to text