Mistral Voxtral 3 spiegato: Stack di agenti vocali vs ElevenLabs in tempo reale

Mistral Voxtral 3 spiegato: pila completa di agenti vocali vs ElevenLabs in tempo reale

Voice AI ha avuto un martedì intenso. Il 20 ottobre 2026, Mistral ha ssegnato Voxtral 3, uno stack completo di voice agent con tre livelli di trascrizione, un modello di text-to-speech e un SDK per voice agent in tempo reale. Lo stesso pomeriggio, ElevenLabs ha rilasciato Eleven Realtime, due modelli speech-to-speech progettati per la conversazione live con l'IA.

Due laboratori, due architetture molto diverse, un solo obiettivo: un'IA che possa tenere una vera telefonata. Ecco cosa fa ciascuno, quanto costa ciascuno e come scegliere tra di essi.

Verdetto rapido

In sintesi: scegli Voxtral 3 quando la residenza dei dati, la copertura multilingue o il costo per minuto determinano la decisione. Scegli Eleven Realtime quando la voce stessa deve suonare perfetta. Continua a leggere per i dati completi.

Cosa include effettivamente Mistral Voxtral 3

Voxtral 3 non è un unico modello. È una famiglia di modelli vocali più un SDK di voice agent che li unisce insieme. Ogni componente è disponibile oggi tramite l'API di Mistral, ospitata nell'UE o distribuita sulla tua infrastruttura.

Voxtral Mini Transcribe 3: 0,0035 $ al minuto

Il livello di trascrizione a budget. Un modello speech-to-text da 4 miliardi di parametri costruito per carichi di lavoro batch, con un prezzo di 0,0035 dollari al minuto di audio. Entrambi i modelli batch accettano termini chiave e testo contestuale extra, quindi il vocabolario del dominio viene riconosciuto senza fare fine-tuning.

Trascrizione Voxtral Small 3: 0,004 $ al minuto

Il modello di trascrizione di punta: 50+ lingue incluse tutte le 24 lingue ufficiali dell'UE, più lingue asiatiche e indiane con meno risorse. Aggiunge diarizzazione del parlante, rilevamento di fine turno (sa quando il chiamante ha smesso di parlare) e bias contestuali per termini specializzati. Mistral afferma di battere Whisper, Scribe v2 e Gemini 3.5 Transcribe nei loro test multilingue. Maggiori dettagli su questi numeri qui sotto.

Voxtral Mini Transcribe in tempo reale 3: 0,008 $ al minuto

Il livello focalizzato sull'agente: 35+ lingue con latenza di trascrizione inferiore a 500 millisecondi, inclusa l'identificazione del parlante e l'uso del vocabolario. Questo è il modello che alimenta l'SDK dell'agente vocale.

Voxtral Speech 3: 13 dollari ogni milione di caratteri

Il modello di sintesi vocali copre 35+ lingue e 50+ dialetti, con emozione, ritmo ed enfasi controllabili come variabili di istruzione. I preset vocali sono disponibili in 18 lingue, dall'arabo e hindi al vietnamita. La clonazione vocale richiede 30 o più minuti di audio, e un'opzione Pro Voice adatta il carattere e la gamma emotiva del parlante tra le lingue da circa 30 minuti di registrazioni. Stesso prezzo di 13 dollari per l'uso batch e in tempo reale tramite un'unica API. Mistral lo posiziona come più economico rispetto a OpenAI TTS-1, Deepgram, ElevenLabs Flash e Gemini Flash.

SDK dell'agente vocale: LiveKit, meno di un secondo per turno

Il titolo principale è l'SDK, costruito su LiveKit. Voxtral Mini Transcribe Realtime 3 ascolta, un modello generale come Mistral Small reasons and calls tools, e Voxtral Speech 3 risponde con il tono della conversazione. Nessun palco aspetta quello precedente, quindi Mistral dice che ogni turno si completa in meno di un secondo e l'agente smette di parlare quando il chiamante interviene.

Durante una chiamata l'agente può verificare l'identità del chiamante, controllare una fattura o prenotare un appuntamento, utilizzando chiamate funzionali, ricerca web e recupero tramite i propri sistemi. Risponde e effettua chiamate tramite SIP, gira nei browser e nelle app tramite WebRTC, e si collega a telefonia, IVR e software di contact center. Ogni fase è un modello separato, quindi puoi scambiare il LLM, la voce o la lingua senza riscrivere l'agente.

Il deployment è il discorso della sovranità: esegui lo stack sull'API UE di Mistral o sulla tua infrastruttura, con il controllo su dove vengono elaborate le conversazioni e se l'audio viene mantenuto. Si noti che l'annuncio non collega i pesi aperti scaricabili; l'auto-hosting è offerto tramite il canale di deployment di Mistral.

Cosa ha rilasciato ElevenLabs: Eleven Realtime v1 Max e v1 Mini

ElevenLabs è passato end-to-end invece che modulare. Due modelli speech-to-speech, rilasciati lo stesso giorno:

• Eleven Realtime v1 Max: la strategia di precisione. ElevenLabs riporta il 98,8% sul benchmark Big Bench Audio con circa 0,57 secondi di tempo di risposta, e afferma che nessun modello nella classifica speech-to-speech di Analisi Artificiale è al momento stesso più veloce e più preciso. Pensato per compiti impegnativi come i bot di supporto clienti.
• Eleven Realtime v1 Mini: il gioco di costo per conversazioni naturali e quotidiane. Può capire quando un altoparlante ha finito rispetto a dire semplicemente "mm-hmm", cosa che conta molto per il turn-taking naturale.

Entrambi funzionano tramite la piattaforma ElevenAgents e un'API Realtime compatibile con OpenAI, quindi il codice vocale OpenAI esistente può puntare agli endpoint di ElevenLabs. Il prezzo è per minuto di audio più uso dei token, con il prezzo massimo superiore a Mini; ElevenLabs non ha pubblicato un numero fisso per minuto come ha fatto Mistral. Non sono ancora stati pubblicati benchmark indipendenti oltre alle affermazioni dell'azienda.

Benchmark: chi trascrive meglio

Mistral ha pubblicato i numeri del tasso di errore delle parole sul benchmark FLEURS in 45 lingue, con linguaggio inferito. Voxtral Small Transcribe 3 ha segnato il 4,0%, eguagliando Microsoft AI Transcribe 2 nei numeri di Mistral, davanti a Gemini 3.5 Transcribe con 4,5%, Scribe v2 al 4,9%, GPT Transcribe al 5,6% e Whisper large-v3 al 14,9%.

Due avvertenze importanti. Primo, questi sono numeri riportati dai fornitori dal post di lancio di Mistral, non verificati in modo indipendente, e il post non pubblica dettagli per lingua o nomi clienti. In secondo luogo, non confrontate questo grafico con la cifra Big Bench Audio di ElevenLabs al 98,8%: benchmark diversi misurano cose diverse, e i vincitori cross-benchmark non vengono dichiarati qui per questo motivo.

Per Eleven Realtime, la dichiarazione onesta è che le affermazioni di Big Bench Audio e Analisi Artificiale di ElevenLabs sono gli unici numeri disponibili al momento. Considerate i numeri di entrambi i fornitori come marketing finché terze parti non li riproduranno.

Su quale dovresti costruire?

Scegli Voxtral 3 se:

• Hai bisogno di EU Data Residency o di uno stack self-hosted che il tuo team di compliance possa verificare.
• La trascrizione è il carico di lavoro: 50+ lingue a 0,0035-0,004 dollari al minuto è davvero economico.
• Vuoi una pipeline modulare dove il LLM, la voce e il linguaggio possano essere scambiati indipendentemente.
• Hai bisogno di usare lo strumento a metà chiamata: prenotazioni, ricerche fatture, verifica dell'identità tramite SIP e WebRTC.

Scegli Eleven Realtime se:

• La voce stessa è il prodotto: naturalezza premium, voci di personaggi, agenti di marchio.
• Vuoi un speech-to-speech end-to-end senza collegare STT e TTS insieme da solo.
• Stai già costruendo su ElevenAgents o vuoi un'API Realtime compatibile con OpenAI.
• Servono cloni vocali istantanei da 10 secondi invece di adattamento vocale da 30 minuti.

Considera entrambi se: stai costruendo voice agent per i clienti e il prezzo è dipinto da progetto. La trascrizione batch da 0,0035$/min e il TTS da 13$/M di caratteri di Voxtral fissano un minimo minimo per lavori ad alto volume, mentre la clonazione a 10 secondi e la naturalezza speech-to-speech di ElevenLabs possono giustificare un valore premium dove la voce è il determinante. CodeMyPixel integra esattamente questo tipo di valutazione in ogni impegno di sviluppo di agenti AI: testa entrambi gli stack con le tue chiamate reali prima di effettuare il commit.

Domande frequenti

Quanto costa Voxtral 3?

La trascrizione costa 0,0035 dollari al minuto per Voxtral Mini Transcribe 3 in batch, 0,0040 $ per Voxtral Small Transcribe 3 e 0,008 $ per Voxtral Mini Transcribe Realtime 3. Voxtral Speech 3 per sintesi vocali costa 13 dollari per milione di caratteri, lo stesso prezzo per l'uso in batch e in tempo reale.

Voxtral 3 è open source?

L'annuncio di lancio non collega i pesi aperti né una licenza scaricabile. Mistral offre i modelli tramite la sua API con endpoint UE, USA e globali, e i team che necessitano di audio per rimanere nel proprio ambiente possono chiedere a Mistral di un deployment self-hosted o su cloud privato.

Quanto è accurato Voxtral Small Transcribe 3?

Nel test FLEURS di Mistral in 45 lingue, si registra un tasso di errore di parola del 4,0% con la lingua inferita, contro il 4,5% per Gemini 3.5 Transcribe, 4,9% per Scribe v2, 5,6% per GPT Transcribe e 14,9% per Whisper large-v3. Microsoft AI Transcribe 2 lo pareggia al 4,0%. Questi sono i numeri pubblicati da Mistral, non verificati in modo indipendente.

Qual è la differenza tra Voxtral 3 e ElevenLabs Eleven Realtime?

Voxtral 3 è uno stack modulare: modelli separati di voce a testo, LLM e text-to-speech, uniti da un SDK basato su LiveKit. Eleven Realtime è voce vocale end-to-end: un modello riceve audio e produce audio in uscita, in due livelli (v1 Max per accuratezza, v1 Mini per il costo).

Voxtral Speech 3 può clonare una voce?

Sì, da 30 o più minuti di audio. Un'opzione Pro Voice adatta il carattere, la gamma emotiva e lo stile del parlante attraverso le lingue da circa 30 minuti di registrazioni. I preset vocali sono disponibili in 18 lingue.

Quando è stato rilasciato Voxtral 3?

Mistral ha annunciato Voxtral 3 il 20 ottobre 2026, un giorno dopo il modello della serie temporale Timestral. ElevenLabs ha rilasciato Eleven Realtime lo stesso pomeriggio.

Quale è meglio per un operatore vocale del supporto clienti?

Se le chiamate di supporto vengono eseguite in molte lingue e i budget sono limitati, la trascrizione di Voxtral 3 a 0,004$/minuto con dializzazione degli altoparlanti e il suo SDK LiveKit sono la scelta pratica. Se i chiamanti non devono mai sentire di parlare con un robot, la pipeline speech-to-speech di 0,57 secondi di Eleven Realtime v1 Max è progettata per questo. La maggior parte dei team dovrebbe pilotare entrambe su registrazioni di chiamate reali prima di scegliere.

Dove posso far costruire un agente vocale per la mia azienda?

CodeMyPixel progetta e costruisce agenti AI personalizzati che gestiscono chiamate, prenotazioni e follow-up per aziende reali, inclusi gli agenti vocali su stack come Voxtral 3. Inizia con una revisione gratuita delle opportunità AI per vedere quali parti della tua operazione un agente vocale può occuparsi.

Fonti: post di lancio Mistral AI (mistral.ai/news/voxtral-3), Technobezz, The Decoder, The Circuitry, ai-tldr, explainx.ai. Tutti i dati di benchmark e prezzi sono come riportati dai fornitori il 20 ottobre 2026 e non sono stati verificati in modo indipendente.

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