Voxtral 3 把语音 Agent 串成管线，转写价不是通话总价
Voxtral 3 将语音转写、通用模型推理与工具调用、语音合成接成可替换的流式管线。四个语音模型仍为 Public Preview；选型要分清分钟价、字符价和两档托管 Voice Agent，而不是用转写单价估整通电话。
10 月 20 日发布的 Voxtral 3，要解决的不只是把声音变成文字，而是把听、推理、调用工具和开口回答串成一段能继续进行的对话。它由一组语音模型与 Voice Agent SDK 组成，转写、通用模型推理和语音合成可以分别选择；截至 10 月 30 日本轮核对，四个语音模型仍标为 Public Preview（公开预览），尚非 GA（正式发布）。预算也要按这条管线拆开：转写的分钟价不是整通电话总价，语音合成按字符收费，公告中的 0.08 美元／分钟只对应使用较大推理模型的 Voice Agent 档位。
对开发者而言，这次发布最有用的变化，是可以把“听错了”“想错了”和“说错了”放回不同环节处理，而不是把所有问题都算在一个语音大模型头上。
一通预约电话，需要的不只是听对每个字
官方发布页展示了一段预约场景：来电者手里有一封法语转诊信，希望助手协助预约。对方说出编号后又作了更正，系统需要按更正后的编号查资料、解释信件内容、给出时段，等用户确认后再执行预约。
这段厂商演示没有被本站实际拨打或验证，但它提出的问题很具体：转写正确，只是完成任务的第一步。助手还必须知道哪组数字已经被撤回、哪一次回答是在确认预约，以及什么时候应该调用业务系统。（Voxtral 3 官方公告与预约演示）
Mistral 把这件事拆成四种工作，却不是四个独立模型：语音转写 STT 负责听，通用语言模型负责推理并调用工具，语音合成 TTS 负责把回复说出来。工具执行是连接业务系统的动作，不是凭空多出一个“预约模型”。
Voice Agent SDK 基于 LiveKit，把这几个阶段接成流式管线。官方设计包括判断来电者是否说完、在用户插话时停止播报，以及在对话中查资料、调用函数。价值不在于每一步都换成新模型，而在于这些步骤能共同推进同一段对话。
公告所说的每轮不到一秒，是厂商描述，不是本站的端到端测试。实际接入电话网络、自己的工具和业务系统后，是否依然及时响应，仍要测整条路径。
Voxtral 3 能换的是阶段，不是自动接好业务系统
不是所有语音工作都需要完整通话代理。
如果任务是处理已经录好的会议或访谈，Mini Transcribe 3 和 Small Transcribe 3 对应已有录音的批量转写路线；如果需要边听边回应，Mini Transcribe Realtime 3 才是实时输入阶段的候选。实时模型卡列出了轮次结束检测、上下文偏置和说话人分离，并通过 WebSocket 提供流式会话。（Voxtral Mini Transcribe Realtime 3 模型卡）
这些名字可以翻译成具体决策：轮次结束检测判断用户是不是说完了，而不只看音频有没有短暂停顿；上下文偏置帮助识别指定术语；说话人分离区分谁在什么时候讲话。它们各自解决一个输入问题，不能替代后面的业务判断。
假设一个客户说的是产品型号，转写却变成相似的人名，应先检查识别阶段和术语提示。如果文字已经正确，助手仍查错订单，则要看推理、工具参数与执行结果。若订单和答案都对，只是品牌名读错，才轮到 TTS 的发音控制。按环节定位，比不断换整套模型更容易找出原因。
同样，TTS 负责怎么说，不负责决定该给谁退款。官方允许替换推理模型、声线或语言，但开发者仍需接好业务接口、处理错误并限定权限；SDK 把管线连起来，不会自动把公司的全部流程变成安全的工具。
语言覆盖也不能混看。TTS 模型卡写的是支持 35 种以上语言、50 种以上方言，这不等于每种语言都有同样数量的预设声线，更不等于本站已经验证中文、口音和专业术语的表现。（Voxtral TTS 3 模型卡）
四个语音模型是 Public Preview，API 可用不等于 GA
官方变更日志把 Voxtral 3 音频家族的发布记在 10 月 20 日，明确写出四个模型均为 Public Preview：Mini 批量转写、Mini 实时转写、Small 转写和 TTS。10 月 30 日对四个原始模型页的本轮核对，仍能看到这一标签。（Mistral 变更日志：Voxtral 3 与 Voice Agents）
这不是说预览模型不能开始试用，而是不能把“API 已提供”直接翻译成生产服务承诺。模型卡的预览标签对应这些语音模型，也不能反过来替独立的 Voice Agents 托管产品推断一个未明确写出的 GA 等级。
对准备接客户电话的团队，当前更适合把它当作验证管线和业务场景的候选。是否适合承担高峰并发、能否满足可用性要求、预览期间接口或计费怎样调整，需要按服务文档和合同确认，不能从发布演示直接得到答案。
自部署也是另一项交付。公告给出了 API 路线，并让希望把整栈放在本地或私有云的团队联系 Mistral。它没有因此证明整套服务已经开源、所有组件都可自由下载，或给出了你的硬件配置与许可。需要控制音频处理位置的团队，应具体确认部署区域、数据流和保留策略，而不是只凭“可自部署”四个字判断。
按分钟的转写与按字符的 TTS，不能压成一个单价
Voxtral 3 的价格需要先按“买的是哪一层”分组。公告与模型卡列出的美元价格如下：
| 购买对象 | 公开列价 | 计费单位 |
|---|---|---|
| Mini Transcribe 3，批处理 | 0.0035 美元 | 每分钟音频 |
| Mini Transcribe Realtime 3 | 0.008 美元 | 每分钟音频 |
| Small Transcribe 3 | 0.004 美元 | 每分钟音频 |
| TTS 3 | 13 美元 | 每百万字符 |
| Voice Agent，Mistral Small 4 推理档 | 0.04 美元 | 每分钟 |
| Voice Agent，较大推理模型档 | 0.08 美元 | 每分钟 |
前三行是在买转写；第四行是在买文字转语音；最后两行则是公告列出的 Voice Agent 档位。Small 与 Mini 的模型卡也分别列出对应转写价格。（Voxtral Small Transcribe 3 模型卡、Voxtral Mini Transcribe 3 模型卡）
这张表不应该被算成“一分钟全部相加”。自己组装语音组件，与购买托管 Voice Agent 管线，是不同的消费路径；不能假设买了后者，还必须把全部组件价再叠加一次。反过来，也不能在没有完整收费范围的情况下，把 0.04 或 0.08 当成包括电话线路、所有外部工具和定制服务的全包成本。公告没有写明较大推理模型具体是哪一个，这里也不补名字。
单位差异会直接影响预算。一分钟来电中，用户可能说了很多，助手只回答一句；也可能用户问得简短，助手解释很长。电话时长不能直接换成 TTS 字符量，用户转写出来的文字量也不等于助手要说的文字量。
如果自己搭管线，还应分别记录推理和工具环节的实际消耗；如果选托管档位，则核对该档覆盖哪些服务。没有这些范围，给出一个精确到小数点的“每通电话总价”，反而容易误导。
先测一段会被打断的对话，再决定是否交给它接电话
最有价值的试点，不是一段安静环境里从头说到尾的朗读，而是一件会发生更正、停顿和插话的真实工作。
可以从预约、查订单或读账单中的一项开始，准备几段去敏对话：用户说错数字后更正；句子中间停顿但尚未说完；助手播报时用户插话撤回；业务工具超时或返回没有记录。它们分别检查识别、轮次控制、对话状态和异常处理，不能只用转写文本是否流畅来打分。
随后按阶段记录问题：最终保留的编号对不对，是否过早截断，工具是否收到正确参数，用户确认是否被保留，以及从说完到听见回复究竟等了多久。模型卡的可配置转写延迟范围，不是整通电话的响应时间；自己的工具等待同样在用户的耐心预算里。
涉及付款、改约或取消等有影响的动作，还要由应用规定确认和权限规则。声音自然、回答快速，都不能替代一次明确授权。这里是开发与验收建议，不是本站已完成这些场景测试。
Voxtral 3 值得试的，是可替换阶段共同完成工作的能力，而不只是某一段语音更便宜。先选一条任务，找出它在哪个环节失败，再按正确单位计算费用；只有当对话真的走到可靠结果，转写、推理和说话才组成了一个有用的语音 Agent。