Die Familie besteht aus drei Teilen. Voxtral Small Transcribe 3 und die Variante Mini mit 4 Milliarden Parametern wandeln Sprache in Text um. Sie unterstützen 50 Sprachen, darunter die 24 EU-Amtssprachen, ordnen Äußerungen Sprechern zu und lassen sich vorab mit Fachbegriffen versorgen, die sie dann zuverlässiger erkennen. Eine Echtzeit-Variante soll unter 500 Millisekunden Verzögerung bleiben. Voxtral Mini TTS 3 erzeugt Sprache in mehr als 35 Sprachen; ein SDK verbindet Erkennung, Sprachmodell, Werkzeugaufrufe und Sprachausgabe zu einem Agenten.
Artificial Analysis mittelt die Wortfehlerrate über drei Datensätze mit Parlamentsreden, Telefonkonferenzen und Agenten-Dialogen. Voxtral Small Transcribe 3 erreicht dort 2,09 Prozent. Genauer sind nur Alibabas Fun-Realtime-ASR-preview mit 1,73 Prozent und Microsofts MAI-Transcribe-2 mit 2,04 Prozent. Die Mini-Variante folgt mit 2,22 Prozent auf Rang fünf, knapp hinter ElevenLabs’ Scribe v2.
Die übrigen Vergleiche stammen von Mistral selbst. Bei der Sprecherzuordnung liege Small mit 18,4 Prozent Fehlerrate vor Pyannote (19,0) und Microsoft (20,3). Die Sprachausgabe bewertet Mistral mit eigenen Testsätzen und Gemini 3.8 Flash als Richter. Unabhängige Messungen dafür fehlen noch.
Mini Transcribe 3 kostet 0,0035 Dollar je Minute, Small 0,004 Dollar, die Echtzeit-Variante 0,008 Dollar; die Sprachausgabe 13 Dollar je Million Zeichen. Die Programmierschnittstelle läuft über Endpunkte in Europa, den USA und global. Offene Gewichte der neuen Generation stehen auf Hugging Face bisher nicht bereit, obwohl Mistral auch den Selbstbetrieb anbietet; frühere Voxtral-Transkriptionsmodelle hatte Mistral unter Apache 2.0 veröffentlicht.