Mistral lanserer Voxtral 3 for stemmeagenter med europeisk drift

Mistral AI har lansert Voxtral 3, en ny familie av modeller for talegjenkjenning og talesyntese, sammen med et verktøysett for å bygge stemmeagenter. Agentene kan ta imot telefonsamtaler, forstå hva innringeren vil, slå opp i egne systemer og svare med naturlig stemme. Modellene kjører i Mistrals API med europeiske endepunkter eller på kundens egen infrastruktur. For norske virksomheter med kundesenter eller sentralbord betyr det et europeisk alternativ til amerikanske taletjenester, men også nye spørsmål om stemmekloning og samtykke.

Mistral publiserte kunngjøringen på sin egen blogg 20. oktober 2026 og la den ut på X samme dag kl. 18.00 norsk tid. Selskapet oppgir at Voxtral 3 er tilgjengelig fra i dag.

Fire modeller og ett verktøysett

Voxtral 3 består av to typer modeller. Voxtral Small Transcribe 3 og Voxtral Mini Transcribe 3 gjør tale om til tekst. Mistral oppgir støtte for over 50 språk, blant dem alle de 24 offisielle EU-språkene. Norsk står på listen over språk selskapet har testet. Modellene skiller mellom ulike talere i samme opptak og kan få en liste med fagord eller navn for å treffe bedre på dem. Mini-varianten har fire milliarder parametere.

Voxtral Mini Transcribe Realtime 3 er laget for sanntid. Mistral oppgir at den transkriberer med under et halvt sekunds forsinkelse og oppdager når en person er ferdig med å snakke. Det skal gjøre at agenten svarer uten unødig ventetid og slutter å snakke når innringeren avbryter.

Voxtral Speech 3, som også omtales som Voxtral Mini TTS 3, gjør tekst om til tale. Mistral oppgir støtte for over 35 språk og over 50 dialekter. Modellen tilpasser følelse, tempo og trykk etter samtalen, og utviklere kan styre dette linje for linje med egne merker. Ferdige stemmer finnes på 18 språk, blant dem norsk.

Det nye verktøysettet for stemmeagenter er bygget på rammeverket LiveKit. Det kobler sammen talegjenkjenning, en språkmodell som resonnerer og kaller verktøy, og talesyntese i én strøm. Mistral oppgir at hver tur i samtalen tar under ett sekund. Agenten kan ringe og ta imot samtaler over SIP, kjøre i nettleser og apper over WebRTC og kobles til eksisterende telefoni og kundesenterløsninger.

Priser og egne målinger

Mistral har publisert priser. Voxtral Mini Transcribe 3 koster 0,0035 dollar per minutt i batch, Voxtral Small Transcribe 3 koster 0,004 dollar per minutt, og sanntidsmodellen koster 0,008 dollar per minutt. Talesyntesen koster 13 dollar per million tegn. Pris for drift på egen infrastruktur oppgis ikke; der må kunden kontakte Mistral.

Selskapet skriver at Voxtral Small Transcribe 3 slår Whisper, Scribe v2 og Gemini 3.5 Transcribe på flerspråklig transkripsjon. Mistral oppgir også at talesyntesen koster mindre enn sammenlignbare modeller som OpenAI TTS-1, Deepgram, ElevenLabs Flash og Gemini Flash. Begge påstandene bygger på målinger Mistral selv har valgt ut og publisert, og flere av dem bruker en språkmodell som dommer. De er ikke uavhengig etterprøvd.

Stemmekloning på 30 minutter

Den mest følsomme nyheten heter Pro Voice. Med opptil 30 minutter lydopptak kan Voxtral gjenskape en bestemt persons stemme, uttrykk og talestil på tvers av alle støttede språk. Mistral retter funksjonen mot profesjonelle brukere, for eksempel virksomheter som vil ha en egen merkevarestemme.

Kunngjøringen sier ikke hvordan Mistral sikrer at personen bak stemmen har gitt samtykke, eller hvilke vilkår som gjelder for bruk av en klonet stemme. Den sier heller ikke om modellene slippes med åpne vekter.

Data i Europa eller hos deg selv

Mistral oppgir at Voxtral 3 tilbys gjennom europeiske, amerikanske og globale endepunkter i selskapets API. Virksomheter kan også kjøre hele løsningen på egen infrastruktur eller i privat sky. Ifølge Mistral kan kunden da selv bestemme hvor lyd behandles, hvordan data håndteres og om samtaler lagres. Hvor lenge lyd lagres som standard i Mistrals eget API, står ikke i kunngjøringen.

Hva norske ledere bør merke seg

• Kundesentre og sentralbord som vurderer stemmeagenter, får en europeisk leverandør med publiserte priser og mulighet for egen drift. Det kan redusere avhengigheten av amerikanske skytjenester, men norsk kvalitet bør testes på egne samtaler og dialekter før avtale.
• Telefonsamtaler inneholder ofte personopplysninger. Avklar databehandleravtale, valg av endepunkt og lagringstid før lyd sendes inn, siden kunngjøringen ikke oppgir standard lagringstid.
• Stemmekloning krever egne rutiner. Bestem hvem som kan gi samtykke til at en ansatts stemme brukes, og hvordan kunder får vite at de snakker med en maskin.
• Prisene per minutt gjør det mulig å regne på en pilot. Husk at kostnaden for språkmodellen som resonnerer, kommer i tillegg.

Kilder og medier

• Mistral AI: Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages, blogginnlegg datert 20.10.2026
• Mistral AI på X: Introducing Voxtral 3, innlegg publisert 20.10.2026 kl. 18.00 norsk tid
• Kildene ble sjekket 20.10.2026.
• Illustrasjon: KI-generert med Grok Bot / hogby.ai