Voxtral 3 di Mistral: trascrizione in 50 lingue, voce e agenti vocali per il telefono

Perché se ne parla#

Il 20 ottobre 2026 Mistral AI ha presentato Voxtral 3, una nuova famiglia di modelli per la voce: trascrizione dell'audio in testo, trascrizione in tempo reale e sintesi vocale, più un SDK per costruire agenti vocali che ascoltano, ragionano, usano strumenti e rispondono a voce nella stessa chiamata. L'annuncio ufficiale si intitola «Take the call» e punta dritto su centralini, assistenza clienti e assistenti a mani libere.

Per un'azienda italiana il punto interessante è doppio. Da un lato la lingua: la trascrizione copre 50 lingue, comprese le 24 lingue ufficiali dell'Unione europea, quindi anche l'italiano. Dall'altro il luogo in cui girano i dati: Mistral offre un'API ospitata in Europa, oltre a endpoint negli Stati Uniti e globali, e annuncia la possibilità di installare i modelli sulla propria infrastruttura.

Guarda il videoSi apre da YouTube: i suoi cookie partono solo dopo il clic.

Tutti i numeri che seguono vengono dall'annuncio e dalla documentazione di Mistral. Dove i dati sono del produttore lo indichiamo, perché non sono misure indipendenti.

Cosa c'è nella famiglia Voxtral 3#

Voxtral 3 non è un solo modello. Sono quattro modelli con compiti diversi, più due strumenti costruiti sopra.

Nella documentazione tutti e quattro i modelli risultano in Public Preview, versione 3.0, nella fascia «Premier» di Mistral. Sostituiscono i modelli audio precedenti (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-small-2507 e voxtral-mini-tts-2603). Da non confondere con il primo Voxtral del luglio 2025, che era open weight con licenza Apache 2.0: di Voxtral 3, al 20 ottobre, non ci sono pesi pubblici su Hugging Face.

In parole semplici: come lavora un agente vocale#

Un agente vocale che risponde al telefono deve fare quattro cose insieme: capire bene, ragionare su cosa intende chi chiama, rispondere con una voce naturale e agire sui sistemi aziendali. L'SDK di Voxtral 3 le mette in fila così:

1. Ascolto. Voxtral Mini Transcribe Realtime 3 trascrive mentre la persona parla e capisce quando ha finito il turno.

2. Ragionamento. Un modello linguistico, per esempio Mistral Small, interpreta la richiesta e chiama gli strumenti: un calendario, un gestionale, una ricerca nei documenti.

3. Risposta. Voxtral Speech 3 legge la risposta con il tono adatto alla conversazione.

Secondo Mistral nessuna fase aspetta la fine della precedente, quindi ogni turno si chiude in meno di un secondo, e l'agente smette di parlare se chi chiama lo interrompe. Ogni fase è un modello separato: si può cambiare il modello linguistico, la voce o la lingua senza riscrivere l'agente. Nella demo ufficiale l'agente legge una lettera di invio in francese, spiega alla paziente cosa dice e prenota la visita dermatologica.

Trascrizione: 50 lingue, chi parla e parole chiave#

La trascrizione è la parte più matura dell'annuncio. Mistral dichiara che Voxtral Small Transcribe 3 raggiunge lo stato dell'arte nella trascrizione multilingue e nella diarizzazione, cioè nel distinguere chi ha detto cosa. Il grafico che segue riporta il tasso di errore sulle parole (WER) nel test FLEURS, calcolato su 45 lingue supportate da tutti i modelli confrontati, italiano compreso, con la lingua indicata in anticipo. Più basso è meglio.

Il dato da leggere con attenzione è il primo posto a pari merito con Microsoft AI Transcribe 2: Voxtral non stacca il concorrente migliore, ma si allinea al vertice e lascia molto indietro Whisper large-v3, che nello stesso test arriva a 14,9.

Guarda il videoSi apre da YouTube: i suoi cookie partono solo dopo il clic.

Sulla diarizzazione il vantaggio dichiarato è più netto. Nel test cpWER, che misura gli errori tenendo conto di chi parla, Voxtral Small Transcribe 3 segna 18,4 e la versione Mini 18,6, contro 23 di ElevenLabs Scribe v2 e 38,4 di Gemini. Anche qui più basso è meglio.

La terza funzione è il context biasing: prima della trascrizione si passa al modello un elenco di termini, per esempio nomi di prodotti, codici o cognomi dei clienti. Nel test Earnings 22 la capacità di riconoscere le parole chiave di Voxtral Small Transcribe 3 sale dall'81,4% senza contesto al 94,6% con il contesto. Per uno studio professionale o un'azienda con un catalogo tecnico è la differenza tra una trascrizione da correggere e una da archiviare.

La voce: Voxtral Speech 3#

Il modello di sintesi vocale legge il testo adattando emozione, ritmo ed enfasi al contesto della conversazione. La scheda tecnica indica circa 90 ms al primo audio, 34 indicazioni di emozione e 2 di ritmo. Le voci pronte sono disponibili in 18 lingue, italiano compreso, e tra gli esempi ufficiali c'è una frase in italiano: «Il nostro nuovo assistente si chiama Quivello», letta una volta senza aiuti e una volta con l'indicazione fonetica del nome inventato.

Mistral confronta la qualità percepita con il prezzo. Nel test multilingue su 11 lingue, con un giudizio da 1 a 5 assegnato da un modello giudice, Voxtral Speech 3 ottiene un punteggio quasi identico ai modelli ElevenLabs più costosi.

In sostanza, secondo Mistral, la qualità è quella di Eleven v4 a circa un sesto del prezzo. È una valutazione interna, con un modello come giudice: va confermata ascoltando le voci sulle vostre frasi, con i vostri nomi e numeri.

Per gli usi professionali c'è anche Pro Voice, che riproduce il carattere e lo stile di una persona a partire da 30 minuti di audio. Prima di clonare una voce reale serve il consenso scritto della persona.

Guarda il videoSi apre da YouTube: i suoi cookie partono solo dopo il clic.

Prezzi e confronto#

Questi sono i prezzi pubblicati da Mistral nell'annuncio, in dollari, IVA non indicata.

Per avere un ordine di grandezza, la tabella che segue confronta il costo di 1.000 minuti di trascrizione. È una stima calcolata dai listini ufficiali dei produttori, non un dato di Mistral, e non comprende IVA e altri costi.

Sui file Voxtral non è il più economico in assoluto, ma è nella stessa fascia dei concorrenti. In tempo reale costa meno della metà dell'opzione realtime di OpenAI.

Cosa cambia in pratica#

Un esempio concreto aiuta a capire le cifre. Uno studio medico che riceve 40 chiamate al giorno da 3 minuti per 22 giorni lavorativi arriva a 2.640 minuti al mese. Trascriverli tutti con Voxtral Small Transcribe 3 costerebbe circa 10,56 $ al mese. È una stima che riguarda solo la trascrizione: telefonia, modello linguistico, sintesi vocale, integrazione e IVA sono esclusi.

Per chi valuta un agente vocale, i punti da controllare sono questi:

• Dove passano i dati. L'API ospitata in UE e il controllo sulla conservazione dell'audio sono un vantaggio per chi tratta dati sanitari o dei clienti. Va comunque verificato il contratto.

• Trasparenza verso chi chiama. Dal 2 agosto 2026 l'articolo 50 dell'AI Act chiede di informare le persone che stanno parlando con un sistema di AI e di marcare l'audio sintetico; per i sistemi già sul mercato prima di quella data la marcatura va fatta entro il 2 dicembre 2026. Non è una consulenza legale: sui casi concreti serve il parere di un professionista.

• La prova sul campo. Prima di mettere un agente al telefono, conviene registrare (con consenso) un campione di chiamate reali e misurare errori, tempi e interruzioni.

Se state valutando un centralino con AI, trovate un confronto tra le soluzioni in Agenti vocali AI per il centralino e la pagina dedicata ai centralini AI. Per i modelli di testo di Mistral, leggete anche Mistral Large 4 in anteprima.

Domande frequenti#