Die Nachricht
Mistral hat Voxtral 3 am 20. Oktober 2026 veröffentlicht. Zur Audiofamilie gehören Modelle, die Gesprochenes in Text verwandeln, und ein Modell, das geschriebenen Text vorliest. Dazu kommt ein Werkzeugpaket für Entwickler, das beides mit einem antwortenden Sprachmodell zu einem Sprachassistenten verbindet. Mistrals Ankündigung
Jede Funktion läuft auch für sich allein. Eine Interviewaufnahme wird zu Text, und es entsteht kein sprechender Assistent. Eine Anwendung liest einen fertigen Sprechertext vor, ohne vorher Sprache aufzunehmen. Übersicht der Audiofunktionen
Aus einem Interview wird ein lesbares Gespräch
Für vorhandene Audiodateien gibt es zwei Transkriptionsmodelle: Voxtral Mini Transcribe 3 und das größere Voxtral Small Transcribe 3. Beide verwandeln Gesprochenes in Text. Mistral rät zum größeren Modell, wenn das kleine auch mit vorgegebenem Wortschatz noch Fehler macht. Das ist die Empfehlung des Anbieters. Einen eigenen Vergleichstest gab es dafür nicht. Quelle: Transkriptionsdokumentation
Bei einem aufgezeichneten Interview kann die Transkription die Passagen den jeweiligen Sprechern zuordnen. Zeitangaben führen zurück zur Stelle in der Aufnahme. Ungewöhnliche Namen und Fachbegriffe gibt man als eigenen Wortschatz vor. Heraus kommt zunächst die verschriftlichte Fassung des Gesprächs. Eine redigierte Interviewfassung oder eine Zusammenfassung ist ein weiterer Arbeitsschritt.
Für laufende Gespräche gibt es eine Realtime-Variante. Sie liefert Text, noch während jemand spricht, und erkennt, wann ein Redebeitrag endet. Dieses Signal braucht ein Sprachagent, um mit seiner Antwort zu beginnen. Quelle: Audio-Übersicht
Ein Sprechertext bekommt eine Stimme
Den umgekehrten Weg übernimmt Voxtral TTS 3. TTS steht für Text-to-Speech, also die Umwandlung von Text in gesprochene Sprache. Gedacht ist das etwa für eine geschriebene Ansage oder einen fertigen Sprechertext. Mistral liefert vorgegebene Stimmen mit und kann eine Stimme anhand einer Aufnahme nachbilden. Quelle: Dokumentation zur Sprachausgabe
Tempo und Emotion steuert man bei fertigen Texten über Markierungen im Text. Für Namen und besondere Begriffe lässt sich die Aussprache mit Lautzeichen festlegen. Das hilft zum Beispiel bei einem Markennamen, den man auf mehrere Arten sprechen kann. Die Audioausgabe kann stückweise eintreffen, bevor die ganze Datei fertig ist.
Eine Grenze nennt die Dokumentation zum Start selbst: Frei formulierte Anweisungen für den Stil der gesamten Ausgabe sind dort als noch nicht verfügbar gekennzeichnet. Mit den Markierungen für Tempo und Emotion hat das nichts zu tun, die gibt es. Ob eine bestimmte deutsche Stimme überzeugend klingt und Namen zuverlässig ausspricht, verrät die Funktionsliste nicht. Das müsste man hören. Quelle: Dokumentation zur Sprachausgabe
Das Antwortmodell sitzt zwischen Zuhören und Sprechen
Für ein Gespräch verbindet das Voice Agents SDK die Bausteine. Ein SDK ist ein Werkzeugpaket für Entwickler. Zuerst wird die gesprochene Eingabe zu Text. Dann liest ein separates Sprachmodell den Gesprächsverlauf und formuliert die Antwort, und die Sprachausgabe macht daraus wieder Audio. Das Antwortmodell kann außerdem angebundene Funktionen aufrufen. Quelle: Voice-Agents-Dokumentation
Ein Terminwunsch zeigt, wer was übernimmt. Die Transkription erfasst, welchen Tag jemand nennt. Das Antwortmodell verarbeitet den Wunsch. Ob der Termin frei ist, müsste eine angebundene Kalenderfunktion prüfen. Erst danach könnte die Sprachausgabe eine passende Antwort vorlesen. Kalender und Regeln muss die Anwendung selbst mitbringen.
Mistral beschreibt auch Unterbrechungen während der gesprochenen Antwort: Wer weiterreden will, soll dem Agenten ins Wort fallen können. Für den direkten Anschluss an Telefonleitungen verweist die Dokumentation zum Start allerdings auf einen Enterprise-Zugang über das Mistral-Vertriebsteam. Quelle: Voice-Agents-Dokumentation
Voxtral 3 ist vorerst eine Vorschau für Entwickler
Die neuen Modelle starten als öffentliche Vorschau, auf den Modellseiten steht „Public Preview“. Quelle: Modellkarte Mini Transcribe 3
Angesprochen sind vor allem Entwickler und Unternehmen, die Audiofunktionen in eigene Anwendungen einbauen. Der Zugang läuft über Mistrals API, eine Schnittstelle für Software. Dafür braucht man einen Schlüssel aus AI Studio. Quelle: Audio-Übersicht
Mistral nennt europäische, US-amerikanische und globale API-Endpunkte sowie Eigenbetrieb auf Anfrage. Daraus folgt keine pauschale Zusage, dass jede Anwendung mit Voxtral 3 ihre Daten ausschließlich in der EU verarbeitet. Der Beitrag beruht auf der Ankündigung und der Dokumentation, Stand 21. Oktober 2026. Quelle zum Zugang: Mistrals Ankündigung
Quellen
7 Links
Stand der Recherche: 21.10.2026. Voxtral 3 wurde nicht selbst getestet. Grundlage sind die Ankündigung und die technische Dokumentation von Mistral. Angaben zu Qualität und Tempo sind Herstellerangaben.
Alle Angaben erfolgen nach bestem Wissen und ohne Gewähr. Für Richtigkeit, Vollständigkeit und Aktualität übernehme ich, soweit gesetzlich zulässig, keine Haftung.
Du planst einen Film für deine Marke?
Schick mir Produkt, Einsatz und Zeitraum. Ich entwickle das Konzept und produziere deinen Werbefilm, Imagefilm oder deine Social Ads bis zum fertigen Schnitt.