Il 20 ottobre 2026 Mistral AI ha annunciato il lancio di Voxtral 3, una nuova famiglia di modelli vocali che segna un salto qualitativo rispetto al precedente Voxtral TTS, lanciato a marzo dello stesso anno con supporto per sole 9 lingue. Voxtral 3 copre più di 50 lingue per la trascrizione e più di 35 per la sintesi, posizionandosi come una delle soluzioni più complete sul mercato.

Le quattro componenti chiave di Voxtral 3

Il sistema si articola in quattro “briquettes” pensate per far parlare un'intelligenza artificiale al telefono, mantenendo tutti i dati sui server del cliente. Questa architettura garantisce la sovranità dei dati e riduce i costi di latenza.

Trascrizione

La trascrizione è gestita da due modelli distinti:

    • Voxtral Small Transcribe 3: ottimizzato per l'elaborazione di file audio lunghi, con capacità di separare le voci dei diversi interlocutori e di integrare una lista di termini tecnici fornita dal cliente.
    • Voxtral Mini Transcribe 3: più leggero, ideale per flussi audio più brevi. Il suo costo è di 0,0035 $ per minuto, equivalenti a circa 0,19 € all'ora di audio (IVA esclusa).

Per le esigenze di risposta immediata, Mistral propone Voxtral Mini Transcribe Realtime 3, capace di trascrivere in meno di mezzo secondo in oltre 35 lingue. Il modello rileva inoltre la fine di una frase per evitare interruzioni indesiderate da parte dell’agente.

Sintesi vocale (TTS)

La sintesi è affidata a Voxtral Mini TTS 3, disponibile sia in modalità differita che in streaming. Le voci generate sono in grado di modulare emozione, ritmo e accento in base al contesto della conversazione, rendendo l’interazione più naturale.

Il prezzo della sintesi è di 13 $ per milione di caratteri, cioè circa 11,60 € (IVA esclusa), corrispondente a qualche centinaio di pagine di testo.

Kit di sviluppo (SDK)

Il kit di sviluppo di Mistral integra LiveKit, una piattaforma open source per la comunicazione audio in tempo reale. Tra l’ascolto e la risposta, un modello di linguaggio come Mistral Small elabora il contenuto e avvia azioni in altri software mediante tool calling (ad esempio, consultare una fattura o prenotare un appuntamento).

Una demo mostra l’agente che legge una lettera medica in francese e, per una paziente anglofona, prenota una visita dermatologica, dimostrando la capacità multilingue del sistema.

Copertura linguistica e confronti con la concorrenza

La dichiarazione “più di 50 lingue” si riferisce alla capacità di trascrizione, includendo le 24 lingue ufficiali dell’Unione europea e numerose lingue asiatiche e indiane, spesso poco rappresentate nei dataset di addestramento. Per la sintesi vocale, Voxtral 3 supporta più di 35 lingue, ma le voci pronte all’uso sono disponibili solo in 18.

In confronto, ElevenLabs afferma di gestire oltre 90 lingue con il modello Eleven v4 (annunciato il 28 settembre), mentre OpenAI ha introdotto la capacità di ChatGPT di parlare francese senza accento americano solo con l’aggiornamento Live 1.1.

Precisione della trascrizione

Mistral ha pubblicato i tassi di errore su FLEURS, un benchmark pubblico, per 45 lingue. Voxtral Small Transcribe 3 registra circa 4 errori su 100 parole, pari a Microsoft AI Transcribe 2 e ben al di sotto di Whisper large‑v3 di OpenAI, che segna il 16 % di errore. Microsoft, inoltre, sta sperimentando un modello che trascrive le parole ancor prima della fine della frase.

Qualità della sintesi vocale

Le valutazioni interne sulla qualità della voce sono state condotte da Gemini 3.8 Flash, l’IA di Google usata come giudice. Il test multilingue copre 11 lingue; per Large 4 di Mistral erano necessari benchmark indipendenti per confrontare i risultati interni.

Opzioni di clonazione vocale e differenze con Google

Voxtral 3 include l’opzione Pro Voice, che permette di clonare una voce con elevata fedeltà, richiedendo circa 30 minuti di registrazione. In confronto, Google offre la clonazione di una voce in soli 30 secondi con il modello Gemini 3.8 Flash TTS, dimostrando una differenza significativa nella velocità di onboarding.

Distribuzione, privacy e futuro

Voxtral 3 è disponibile a partire dal giorno dell’annuncio tramite l’API di Mistral, con server situati in Europa, negli Stati Uniti o a livello globale. Gli sviluppatori possono provare le funzionalità di trascrizione, sintesi e clonazione di voce direttamente nei Playground del Studio di Mistral.

Un punto di forza rimane la possibilità di installare l’intera suite sui propri server, garantendo sovranità dei dati. Questo aspetto è al centro di una rivalità con OVHcloud, la cui fondatrice Octave Klaba promette un modello open source concorrente e ha criticato Mistral per la sua chiusura.

Conclusioni

Con Voxtral 3, Mistral AI si posiziona come un serio concorrente nel mercato delle soluzioni vocali AI, offrendo una combinazione di ampia copertura linguistica, costi competitivi e totale controllo sui dati. La possibilità di combinare trascrizione in tempo reale, sintesi emotiva e un SDK integrato rende la piattaforma adatta a scenari di assistenza clienti internazionali, call center e applicazioni vocali avanzate.