Mistral merilis Voxtral 3: transkripsi 50 bahasa, suara ekspresif, dan SDK agen suara

Mistral AI merilis keluarga Voxtral 3 pada 20 Oktober 2026. Ini bukan satu model, melainkan satu rangkaian: Voxtral Small Transcribe 3 sebagai model unggulan untuk transkripsi dan diarisasi, Voxtral Mini TTS 3 untuk sintesis suara, versi transkripsi realtime untuk percakapan langsung, dan sebuah SDK agen suara yang menyatukan keempat kemampuan dalam satu pipa streaming. Mistral menyebut paket ini ditujukan untuk pusat kontak, meja layanan, asisten virtual, dan kopilot tanpa tangan, dan menyediakan dua jalur pemakaian: API yang dihosting di Uni Eropa atau pemasangan di infrastruktur pelanggan sendiri.

Pada sisi transkripsi, Voxtral Small Transcribe 3 mendukung lebih dari 50 bahasa, mampu memisahkan pembicara, memakai frasa kunci sebagai penguat konteks, dan mendeteksi akhir giliran bicara agar agen bisa menjawab tanpa jeda tambahan. Mistral mengklaim model ini mengungguli Whisper large-v3, GPT-Transcribe, Scribe v2, hingga Gemini 3.5 Transcribe pada skor transkripsi; klaim itu berasal dari pihak pembuat model dan belum diuji independen. Halaman dokumen model mencantumkan konteks 32 ribu token, dukungan stempel waktu, endpoint /v1/audio/transcriptions, serta harga 0,004 dolar per menit.

Sisi suara mendapat porsi yang sama besar. Voxtral Mini TTS 3 mendukung lebih dari 35 bahasa dan 50 dialek, dengan kemampuan menyesuaikan emosi, tempo, dan penekanan kata berdasarkan konteks percakapan. Versi realtime diklaim memberi latensi di bawah 500 milidetik pada lebih dari 35 bahasa. SDK agen suara dibangun di atas LiveKit dan menghubungkan model suara ke model bahasa serta alat milik pelanggan, sehingga satu instruksi lisan bisa berlanjut menjadi beberapa langkah tindakan, misalnya membaca rujukan dokter lalu memesan jadwal.

Konsekuensi praktisnya, transkripsi makin mendekati komoditas. Kalau biaya per menit sudah sepersekian sen dolar dan model bisa dipasang sendiri, produk transkripsi tidak lagi bersaing pada harga per jam audio. Yang tersisa sebagai pembeda adalah hal-hal yang tidak diselesaikan model global: diarisasi rapat dengan banyak pembicara dan istilah campur bahasa, akurasi nama orang dan angka pada rekaman buruk, format keluaran yang langsung bisa dipakai tim legal atau pengadaan, serta jaminan bahwa audio rapat tidak meninggalkan infrastruktur perusahaan. Untuk pasar Indonesia, uji dulu kualitas pada logat daerah dan istilah keuangan sebelum memindahkan beban kerja dari layanan yang sudah dipakai.