Mistral: Voxtral 3 ja parla català

Escolta, pensa i respon

Mistral AI va presentar el 20 d'octubre Voxtral 3, uns models per passar de la veu al text i del text a la veu, amb un kit per muntar agents de veu. Segons l'empresa, la gamma està pensada per a centres d'atenció al client i assistents virtuals.

Són quatre models: tres transcriptors, un dels quals en temps real, i Voxtral Speech 3, que hi posa la veu. El que Mistral presenta com el més precís, Voxtral Small Transcribe 3, distingeix qui ha dit què i accepta per endavant els termes clau que ha d'encertar.

Mistral AI és una empresa francesa d'IA amb seu a París, fundada el 2023 per Arthur Mensch —el seu conseller delegat—, Guillaume Lample i Timothée Lacroix. Es finança amb capital privat: el setembre del 2026 va tancar una sèrie D de 3.000 milions d'euros liderada per Samsung Electronics. ASML, el fabricant neerlandès de màquines de litografia per a xips, va liderar la sèrie C del 2025 i llavors es va quedar al voltant de l'11 % del capital totalment diluït.

El català hi entra per les proves, no per Brussel·les

Mistral diu que la seva transcripció admet 50 idiomes, «incloses les 24 llengües oficials de la UE», però no en publica la llista. El català, que no és oficial a la Unió, hi consta per una altra via: figura, amb el castellà, entre els 45 idiomes de la prova FLEURS amb què Mistral compara el seu transcriptor i entre els 35 del model en temps real.

Pel que fa a la veu, sense embuts: la biblioteca de Voxtral 3 per a Europa comença per l'anglès, el francès, el castellà i el català, i les veus predefinides, a punt per fer servir sense gravar res, existeixen en 18 idiomes, dos dels quals són «Catalan» i «Spanish (Spain)».

El que costa cada peça

Mistral cobra la transcripció per minut d'àudio, la veu per caràcters i l'agent per minut de conversa, el doble si raona amb un model que no sigui Mistral Small 4.

Segons l'empresa, Voxtral Speech 3 surt més barat que OpenAI TTS-1, Deepgram, ElevenLabs Flash —de l'empresa de veu sintètica ElevenLabs— i Gemini Flash, de Google.

Un empat en el seu propi gràfic

Segons Mistral, Voxtral Small Transcribe 3 supera Whisper, d'OpenAI; Scribe v2, de l'empresa de veu sintètica ElevenLabs, i Gemini 3.5 Transcribe, de Google. La nota no remarca que, en el seu propi gràfic, Microsoft AI Transcribe 2 comet el mateix error mitjà.

Mistral reprodueix, a més, l'índex d'error d'Artificial Analysis, una empresa independent d'avaluació de models, i en aquest índex el seu transcriptor queda tercer, darrere de Fun-Realtime-ASR-preview i del de Microsoft. Són els valors que recull Mistral a la seva nota.

En veu, totes les proves de Mistral —una de les quals dissenyada per l'empresa BeSimple AI— les puntua com a jutge Gemini 3.8 Flash, un model de Google. En la multilingüe, Eleven v4, d'ElevenLabs, treu una mica més de nota que Voxtral Speech 3, tot i que costa diverses vegades més, segons els preus que recull Mistral. Amb nombres i noms propis, ElevenLabs guanya clarament; Voxtral queda primer en la pronúncia de paraules rares o inventades.

Un agent que respon al telèfon, sense descàrrega

El kit d'agents està construït sobre LiveKit, una plataforma per a desenvolupadors d'agents de veu i vídeo que va néixer com a projecte de codi obert per a videoconferències. Entre els seus inversors hi ha Mati Staniszewski, conseller delegat d'ElevenLabs.

Segons Mistral, l'agent encadena tres models: un escolta i detecta quan el client ha acabat de parlar; un altre, com Mistral Small, raona i fa servir eines, i Voxtral Speech 3 respon. Cada torn dura menys d'un segon i l'agent calla si l'interrompen. Atén trucades per SIP i funciona en navegadors per WebRTC.

Mistral el ven com a desplegament sobirà: el client decideix on es processa l'àudio i si es desen les converses.

El que no hi ha és descàrrega. A Hugging Face, la plataforma on Mistral publicava els seus models descarregables, no hi ha cap Voxtral 3. Les versions anteriors sí que hi són: la de juliol del 2025, amb Voxtral Small 24B sota llicència Apache 2.0; la de temps real de febrer del 2026, també amb Apache 2.0, i la de veu de març, amb una llicència que no permet l'ús comercial.

La documentació classifica Voxtral Mini Transcribe 3 com a «Public Preview» dins de «Premier», la categoria de pagament de Mistral. Voxtral 3 es fa servir per la seva API, amb servidors a Europa, als Estats Units i globals, o en infraestructura pròpia si s'acorda amb l'empresa.