Объяснение Mistral Voxtral 3: Voice Agent Stack против ElevenLabs в реальном времени

Объяснение Mistral Voxtral 3: Полный стек голосовых агентов против ElevenLabs в реальном времени

Голосовой ИИ провёл насыщенный вторник. 20 октября 2026 года Mistral выпустила Voxtral 3 — полноценный стек голосовых агентов с тремя уровнями транскрипции, моделью преобразования текста в речь и SDK для голосового агента в реальном времени. В тот же день ElevenLabs выпустила Eleven Realtime — две модели преобразования речи в речь, созданные для живых разговоров с ИИ.

Две лаборатории, две совершенно разные архитектуры, одна цель: ИИ, способный поддерживать настоящий телефонный звонок. Вот что делает каждая из лабораторий, сколько стоит и как выбрать между ними.

Быстрый вердикт

В итоге: выбирайте Voxtral 3, когда выбор определяют резидентство по данным, многоязычное покрытие или почасовая стоимость. Выбирайте Eleven Realtime, когда сам голос должен звучать безупречно. Читайте дальше, чтобы узнать полные цифры.

Что на самом деле включает Mistral Voxtral 3

Voxtral 3 — это не одна модель. Это семейство речевых моделей плюс SDK голосового агента, который объединяет их вместе. Сегодня каждая часть доступна через API Mistral, размещена в ЕС или развернута на вашей собственной инфраструктуре.

Voxtral Mini Transcribe 3: $0.0035 в минуту

Бюджетный уровень транскрипции. Модель преобразования речи в текст с 4 миллиардами параметров, рассчитанная на пакетные нагрузки, стоимостью $0.0035 за минуту аудио. Обе пакетные модели принимают ключевые термины и дополнительный контекстный текст, поэтому доменная лексика распознавается без доработки.

Voxtral Small Transcribe 3: $0.004 в минуту

Флагманская модель транскрипции: 50+ языков, включая все 24 официальных языка ЕС, плюс азиатские и индийские языки с меньшим количеством ресурсов. Добавлена диааризация говорящего, обнаружение в конце хода (знает, когда звонящий перестал говорить) и контекстное изменение для специализированных терминов. Mistral утверждает, что он превосходит Whisper, Scribe v2 и Gemini 3.5 Transcribe на их собственных многоязычных тестах. Подробнее об этих цифрах ниже.

Voxtral Mini Transcribe в реальном времени 3: $0.008 в минуту

Уровень, ориентированный на агента: 35+ языков с задержкой транскрипции менее 500 миллисекунд, включая идентификацию говорящего и использование словарного запаса. Это модель, которая питает голосовой агент SDK.

Voxtral Speech 3: $13 за 1 миллион символов

Модель преобразования текста в речь охватывает 35+ языков и 50+ диалектов, при этом эмоции, темп и акцент регулируются как переменные инструкций. Голосовые пресеты доступны на 18 языках — от арабского и хинди до вьетнамского. Клонирование голоса требует 30 и более минут аудио, а опция Pro Voice адаптирует характер и эмоциональный диапазон говорящего на разных языках примерно от 30 минут записи. Та же цена — $13 за пакетное и реальное время использования через один API. Mistral позиционирует её дешевле, чем OpenAI TTS-1, Deepgram, ElevenLabs Flash и Gemini Flash.

SDK для голосового агента: LiveKit, менее одной секунды за ход

Заголовок — SDK, построенный на LiveKit. Voxtral Mini Transcribe Realtime 3 слушает — общая модель, похожая на инструменты Mistral Small для размышлений и вызовов, а Voxtral Speech 3 отвечает в тоне разговора. Ни одна сцена не ждёт предыдущую, поэтому Mistral говорит, что каждый ход проходит менее чем за секунду, и агент замолкает, когда звонящий перебивает.

Во время звонка агент может подтвердить личность звонящего, проверить счет или записаться на встречу, используя функции вызова, веб-поиск и поиск по вашим собственным системам. Он отвечает и осуществляет звонки через SIP, запускается в браузерах и приложениях через WebRTC, а также подключается к телефонии, IVR и программному обеспечению контакт-центров. Каждый этап — это отдельная модель, поэтому вы можете менять LLM, голос или язык без переписывания агента.

Развертывание — это идея суверенитета: запускайте стек на API Мистраля в ЕС или на собственной инфраструктуре, контролируя, где обрабатываются разговоры и сохраняется ли аудио. Обратите внимание, что в объявлении не указаны скачиваемые открытые веса; самостоятельный хостинг предоставляется через собственный канал развертывания Mistral.

Что выпустила ElevenLabs: Eleven Realtime v1 Max и v1 Mini

ElevenLabs перешёл на сквозную версию вместо модульных. Две модели преобразования речи в речь, выпущенные в тот же день:

• Eleven Realtime v1 Max: игра с точностью. ElevenLabs сообщает о 98,8% в бенчмарке Big Bench Audio с примерно 0,57 секунды времени отклика, и утверждает, что ни одна модель в таблице лидеров по искусственному анализу речи в речь сейчас не является одновременно быстрее и точнее. Она направлена на сложные задачи, такие как боты поддержки клиентов.
• Eleven Realtime v1 Mini: игра с затратами для естественных, повседневных разговоров. Он может определить, когда спикер закончил, а не просто сказать «мм-хм», что очень важно для естественного хода.

Оба работают через платформу ElevenAgents и совместимый с OpenAI API Realtime, поэтому существующий код голосового агента OpenAI может указывать на конечные точки ElevenLabs. Цены — за минуту аудио плюс использование токенов, при этом Max стоит выше Mini; ElevenLabs не публиковал фиксированную минутную цифру, как это сделал Mistral. Независимые бенчмарки, выходящие за рамки собственных заявлений компании, пока не опубликованы.

Ориентиры: кто лучше транскрибирует

Mistral опубликовал данные по уровню ошибок слов на бенчмарке FLEURS на 45 языках, с предполагаемым языком. Voxtral Small Transcribe 3 показал 4,0%, сравнявшись с Microsoft AI Transcribe 2 по собственным показателям Mistral, опережая Gemini 3.5 Transcribe с 4,5%, Scribe v2 с 4,9%, GPT Transcribe с 5,6% и Whisper large-v3 с 14,9%.

Два важных оговорки. Во-первых, это данные, отчётливые поставщиками из запуска Mistral, не проверенные независимо, и в посте не публикуются языковые разбития или имена клиентов. Во-вторых, не сравнивайте этот график с показателем Big Bench Audio от ElevenLabs 98,8%: разные бенчмарки измеряют разные показатели, и победители кросс-бенчмарков здесь не объявляются.

Для Eleven Realtime честно говоря, что заявления ElevenLabs по Big Bench Audio и Artificial Analysis — единственные доступные данные на данный момент. Рассматривайте данные обоих поставщиков как маркетинговые данные, пока сторонние разработчики не воспроизведут их.

На чём стоит строить?

Выберите Voxtral 3, если:

• Вам нужна резиденция данных в ЕС или самостоятельно размещённый стек, который ваша команда по соблюдению нормативных требований сможет проверить.
• Транскрипция — это нагрузка: 50+ языков по цене $0.0035–$0.004 в минуту действительно дешево.
• Вам нужен модульный конвейер, где LLM, голос и язык можно менять друг другу независимо.
• Вам нужны инструменты во время звонка: бронирование, поиск счетов, проверка личности через SIP и WebRTC.

Выберите Eleven в реальном времени, если:

• Сам голос — это продукт: премиальная естественность, голоса персонажей, фирменные агенты.
• Вам нужна сквозная речь в речь, не соединяя STT и TTS самостоятельно.
• Вы уже строите на ElevenAgents или хотите совместимый с OpenAI API в реальном времени.
• Вам нужны 10-секундные мгновенные голосовые клоны, а не 30-минутная голосовая адаптация.

Рассмотрите оба случая, если: вы создаёте голосовые агенты для клиентов, а цены рассчитаны на каждый проект. Пакетная транскрипция Voxtral стоимостью $0.0035/мин и TTS размером $13 на миллион символа задают низкий минимум для работы с большим объёмом, тогда как 10-секундное клонирование и естественность преобразования речи в речь от ElevenLabs могут оправдать премию, где голос — это отличительная черта. CodeMyPixel интегрирует именно такую оценку в каждое взаимодействие по разработке AI-агентов: тестируйте оба стека по вашим реальных вызовам перед тем, как заключить обязательство.

FAQ

Сколько стоит Voxtral 3?

Транскрипция стоит $0.0035 за минуту для Voxtral Mini Transcribe 3 в пакете, $0.0040 для Voxtral Small Transcribe 3 и $0.008 для Voxtral Mini Transcribe Realtime 3. Voxtral Speech 3 стоит $13 за миллион символов, что соответствует той же цене для пакетного и реального времени.

Voxtral 3 — это открытый исходный код?

В объявлении о запуске не приводятся открытые веса или скачиваемая лицензия. Mistral предлагает модели через свой API с конечными точками в ЕС, США и глобальном доступе, и команды, которым нужен аудио для сохранения в собственной среде, могут спросить у Mistral о самостоятельном хостинге или частном облачном развертывании.

Насколько точен Voxtral Small Transcribe 3?

В тесте Mistral FLEURS на 45 языках уровень ошибки слов при предполагаемом языке составляет 4,0%, против 4,5% у Gemini 3.5 Transcribe, 4,9% у Scribe v2, 5,6% для GPT Transcribe и 14,9% для Whisper large-v3. Microsoft AI Transcribe 2 показывает 4,0%. Это опубликованные данные Mistral, не проверенные независимо.

В чём разница между Voxtral 3 и ElevenLabs Eleven Realtime?

Voxtral 3 — это модульный стек: отдельные модели преобразования речи в текст, LLM и преобразования текста, объединённые SDK на базе LiveKit. Eleven Realtime — это сквозная версия речи в речь: одна модель принимает аудио и производит его в двух уровнях (v1 Max для точности, v1 Mini для стоимости).

Может ли Voxtral Speech 3 клонировать голос?

Да, от 30 и более минут аудио. Опция Pro Voice адаптирует характер, эмоциональный диапазон и стиль говорящего на разных языках примерно на 30 минутах записей. Голосовые пресеты доступны на 18 языках.

Когда вышел Voxtral 3?

Mistral анонсировала Voxtral 3 20 октября 2026 года, на следующий день после модели временных серий Timestral. ElevenLabs выпустила Eleven Realtime в тот же день.

Что лучше для голосового агента службы поддержки?

Если звонки в поддержку проходят на многих языках и бюджеты ограничены, транскрипция Voxtral 3 с диарезацией динамиков стоимостью 0,004 доллара в минуту и LiveKit SDK — это практичный выбор. Если звонящие никогда не чувствуют, что разговаривают с роботом, то для этого создан 0,57-секундный конвейер передачи речи в речь Eleven Realtime v1 Max. Большинство команд должны запускать оба варианта на реальных записях звонков перед выбором.

Где можно создать голосового агента для моего бизнеса?

CodeMyPixel разрабатывает и создаёт индивидуальных AI-агентов, которые обрабатывают звонки, бронирование и последующие связи для реальных компаний, включая голосовых агентов на стеках, таких как Voxtral 3. Начните с бесплатного обзора AI Opportunity, чтобы узнать, какие части вашей операции может взять на себя голосовой агент.

Источники: Mistral AI launch post (mistral.ai/news/voxtral-3), Technobezz, The Decoder, The Circuitry, ai-tldr и explainx.ai. Все показатели бенчмарка и ценообразование соответствуют данным поставщиков на 20 октября 2026 года и не были независимо проверены.

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