Mistral lancia la famiglia Voxtral 3: trascrizione offline, in tempo reale e sintesi vocale

Cosa è stato lanciato e quando

Mistral AI ha confermato il lancio della famiglia Voxtral 3 il 20 ottobre 2026. Questa nuova generazione di modelli audio include quattro varianti specifiche: Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 e Voxtral TTS 3. L'annuncio ufficiale è stato effettuato attraverso i canali di comunicazione dell'azienda ed è supportato dalla documentazione tecnica pubblicata sul suo portale per sviluppatori.

La disponibilità iniziale è in formato di anteprima pubblica (public preview) tramite l'API di Mistral. Ciò significa che i modelli sono già accessibili agli sviluppatori, ma possono essere soggetti a modifiche nell'interfaccia o nelle specifiche durante il periodo di pre-lancio. Non sono stati pubblicati pesi scaricabili per il deployment locale in questo momento; l'accesso è esclusivamente ospitato dal provider.

Varianti, modalità e accesso

La famiglia Voxtral 3 si divide in due categorie principali: trascrizione da voce a testo (STT) e sintesi da testo a voce (TTS). All'interno della trascrizione, esistono tre varianti: Small, Mini e Mini Realtime. La variante Small è orientata a file audio registrati, mentre Mini offre un'alternativa più leggera per lo stesso scopo. La variante Mini Realtime è progettata specificamente per flussi audio in vivo tramite WebSocket, consentendo la trascrizione incrementale.

Il modello Voxtral TTS 3 si occupa della generazione di audio a partire dal testo. A differenza delle versioni precedenti, questa iterazione include capacità di clonazione vocale tramite un riferimento audio opzionale. L'accesso a tutti i modelli avviene tramite l'API di Mistral, utilizzando identificatori versionati specifici per ogni variante, il che consente agli sviluppatori di fissare la versione esatta che desiderano utilizzare nelle loro applicazioni.

Cosa cambia per l'utente

Per i team di sviluppo, la principale novità è l'unificazione dell'offerta audio sotto un'unica famiglia con capacità migliorate. La trascrizione ora include nativamente la diarizzazione (separazione dei parlanti) e la possibilità di applicare un bias contestuale (context bias) per migliorare la precisione nel vocabolario specializzato, come nomi propri o terminologia tecnica.

Nel caso della sintesi vocale, l'introduzione della clonazione vocale rappresenta un cambiamento significativo rispetto alle versioni precedenti, che si limitavano a voci preimpostate. Tuttavia, è importante sottolineare che al lancio, le istruzioni di stile libere non sono disponibili; la personalizzazione avviene tramite etichette di emozione e il riferimento vocale. Inoltre, è stato lanciato un SDK di agenti vocali basato su LiveKit, che facilita l'integrazione di queste capacità in applicazioni conversazionali.

Prezzo, limiti e cosa resta da verificare

La struttura dei prezzi di Voxtral 3 si basa sul consumo di audio o testo, non sui token. Per la trascrizione, i costi oscillano tra 0,0035 USD e 0,008 USD al minuto di audio, a seconda della variante (Mini è la più economica, mentre Realtime ha un costo superiore per la complessità dell'elaborazione in vivo). La sintesi vocale ha un costo di 13 USD per milione di caratteri.

Per quanto riguarda i limiti tecnici, la documentazione ufficiale indica che i modelli di trascrizione supportano fino a 50 lingue, mentre il modello in tempo reale specifica 45 lingue e dialetti. Esiste una discrepanza minore nella documentazione sulla dimensione del contesto: le schede modello indicano 32k token, mentre la guida sui limiti audio menziona 65.536 token condivisi. Gli sviluppatori devono validare il limite specifico del loro endpoint contrattato prima di implementare applicazioni che gestiscano sessioni audio molto lunghe.

Considerazioni tecniche e sulla privacy

Quando si lavora con audio in tempo reale, è cruciale gestire correttamente le riconnessioni e il rilevamento della fine del turno per evitare la perdita di dati o l'interruzione prematura delle conversazioni. Il rilevamento dei parlanti in Voxtral 3 è una funzione di diarizzazione, non di identificazione biometrica; pertanto, non deve essere utilizzata per verificare l'identità delle persone in modo definitivo.

Dal punto di vista della privacy, l'audio elaborato può contenere dati personali sensibili. Gli sviluppatori devono implementare politiche chiare di conservazione dei dati, informare gli utenti sul trattamento della loro voce e assicurarsi che la clonazione vocale venga utilizzata con il consenso esplicito della persona la cui voce viene replicata. Non si deve utilizzare la clonazione per impersonare identità o per scopi fraudolenti.

Continua a esplorare

Correzioni e trasparenza

Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.