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

_Quattro modelli per la voce e un SDK per agenti che rispondono al telefono, con API ospitata in Europa. Benchmark del produttore, prezzi, limiti e cosa cambia per un'azienda italiana._

Fonte: https://andreapirazzini.it/blog/voxtral-3-mistral-trascrizione-voce-agenti-vocali · 20 ottobre 2026

> Articolo redatto da un sistema di AI a partire da fonti ufficiali: https://mistral.ai/news/voxtral-3/.

## In breve

- Mistral ha presentato il 20 ottobre 2026 Voxtral 3: tre modelli di trascrizione, uno di sintesi vocale e un SDK per agenti vocali costruito su LiveKit.
- La trascrizione copre 50 lingue, comprese le 24 ufficiali UE; nel test FLEURS Voxtral Small Transcribe 3 è primo a pari merito con il 4,0% di errori, secondo Mistral.
- I prezzi partono da 0,0035 $ al minuto per la trascrizione di file e 0,008 $ al minuto per quella in tempo reale; la voce costa 13 $ per milione di caratteri.
- L'API è ospitata in Europa, con controllo sulla conservazione dell'audio, e Mistral annuncia anche l'installazione sulla propria infrastruttura.
- I modelli sono in anteprima pubblica: niente tempi parola per parola, telefono SIP solo per i clienti enterprise e pesi non pubblicati.

## 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.

[Video: Il video ufficiale di presentazione di Voxtral 3. Fonte: Mistral AI.](https://www.youtube.com/watch?v=xFhyfPC-VzI)

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.

- **50** Lingue nella trascrizione, comprese le 24 lingue ufficiali UE
- **< 500 ms** Ritardo della trascrizione in tempo reale
- **< 1 s** Durata di un turno dell'agente vocale, secondo Mistral
- **0,0035 $** Al minuto per Voxtral Mini Transcribe 3

_Fonte: Mistral AI, annuncio del 20 ottobre 2026_

## 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.

| Modello | A cosa serve | Note dalle fonti ufficiali |
| --- | --- | --- |
| **Voxtral Small Transcribe 3** | Trascrizione di file audio, la più precisa | 50 lingue, riconosce chi parla (diarizzazione), accetta un elenco di termini da riconoscere |
| **Voxtral Mini Transcribe 3** | Trascrizione di file audio, più leggera | 4 miliardi di parametri, stesse funzioni della versione Small |
| **Voxtral Mini Transcribe Realtime 3** | Trascrizione durante la conversazione | Sotto i 500 ms, riconosce quando chi parla ha finito |
| **Voxtral Mini TTS 3** (Voxtral Speech 3) | Sintesi vocale, dal testo alla voce | Oltre 35 lingue e oltre 50 dialetti, emozione, ritmo ed enfasi |
| **SDK per agenti vocali** | Collega ascolto, ragionamento e voce | Costruito su LiveKit, telefono (SIP) e web (WebRTC) |
| **Pro Voice** | Adatta una voce a quella di una persona | Servono 30 minuti di audio della persona |

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.

**FLEURS, 45 lingue** — Tasso di errore sulle parole (WER) con lingua indicata, più basso è meglio

| Voce | Tasso di errore sulle parole (WER) con lingua indicata |
| --- | --- |
| Voxtral Small Transcribe 3 | 4% |
| Microsoft AI Transcribe 2 | 4% |
| Voxtral Mini Transcribe 3 | 4,5% |
| Gemini 3.5 Transcribe | 4,5% |
| ElevenLabs Scribe v2 | 4,9% |
| GPT Transcribe | 5,6% |
| Whisper large-v3 | 14,9% |

_Fonte: Dati di Mistral AI, annuncio del 20 ottobre 2026_

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.

[Video: La demo ufficiale della trascrizione con Voxtral STT 3. Fonte: Mistral AI.](https://www.youtube.com/watch?v=hHIs0pc-RVQ)

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.

![Fotogramma del video ufficiale «Voxtral 3 STT, Roundtable Demo»: due persone parlano al microfono attorno a un tavolo, con le etichette dei nomi accanto a chi sta parlando.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b1f169ea-7ac4-47f8-8ea9-a1c7aa3c6422/17e559a3-493f-487e-a251-0c32d2781d9e.jpg)
*La demo ufficiale di una tavola rotonda: il modello attribuisce ogni frase alla persona che l'ha detta. Fonte: Mistral AI.*

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.

![Fotogramma del video ufficiale «Voxtral TTS 3, Feature Overview»: un elenco di etichette di emozione come amused, angry, curious ed excited, accanto a una piccola finestra con il volto di una presentatrice.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/b1f169ea-7ac4-47f8-8ea9-a1c7aa3c6422/41968339-4eed-4b49-88d7-e308c8907f25.jpg)
*Le etichette di emozione con cui si guida la voce di Voxtral Speech 3. Fonte: Mistral AI.*

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.

**Sintesi vocale multilingue** — Punteggio di preferenza medio su 11 lingue (scala da 1 a 5), più alto è meglio

| Voce | Punteggio di preferenza medio su 11 lingue (scala da 1 a 5) |
| --- | --- |
| Voxtral Speech 3 (13 $) | 3,16 |
| Eleven v4 (80 $) | 3,17 |
| Eleven v4 Turbo (40 $) | 3,15 |
| gpt-4o-mini-tts (16 $) | 2,23 |

_Fonte: Valutazione interna di Mistral AI, 20 ottobre 2026_

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.

[Video: Il video ufficiale sulla clonazione della voce con Voxtral TTS 3 e Pro Voice. Fonte: Mistral AI.](https://www.youtube.com/watch?v=1czHOKcAtfY)

## Prezzi e confronto

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

| Modello | Prezzo |
| --- | --- |
| Voxtral Mini Transcribe 3 (file) | 0,0035 $ al minuto |
| Voxtral Small Transcribe 3 (file) | 0,0040 $ al minuto |
| Voxtral Mini Transcribe Realtime 3 | 0,008 $ al minuto |
| Voxtral Speech 3 (file e tempo reale) | 13 $ per milione di caratteri |

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.

| Servizio | 1.000 minuti (stima) |
| --- | --- |
| OpenAI gpt-4o-mini-transcribe | 3,00 $ |
| Voxtral Mini Transcribe 3 | 3,50 $ |
| ElevenLabs Scribe v2 | 3,67 $ |
| Voxtral Small Transcribe 3 | 4,00 $ |
| OpenAI gpt-transcribe | 4,50 $ |
| OpenAI Whisper | 6,00 $ |
| ElevenLabs Scribe v2 Realtime | 6,50 $ |
| Voxtral Mini Transcribe Realtime 3 | 8,00 $ |
| OpenAI gpt-realtime-whisper | 17,00 $ |

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](https://andreapirazzini.it/blog/agenti-vocali-ai-centralino-confronto) e la pagina dedicata ai [centralini AI](https://andreapirazzini.it/servizi/centralini-ai). Per i modelli di testo di Mistral, leggete anche [Mistral Large 4 in anteprima](https://andreapirazzini.it/blog/mistral-large-4-in-anteprima-il-modello-open-weight-che-sfida-i-leader).

> **Attenzione:** Cosa non sapete ancora. I modelli sono in **Public Preview** e non c'è una data di uscita dalla fase di anteprima. La trascrizione non restituisce i tempi parola per parola e le istruzioni di stile della voce non sono disponibili al lancio. Il telefono via SIP è riservato ai clienti enterprise. Per l'installazione sulla propria infrastruttura licenza e prezzi non sono pubblici. Infine, la scheda tecnica della sintesi vocale indica 16 $ per milione di caratteri e un elenco di lingue più corto rispetto all'annuncio (13 $ e oltre 35 lingue): conviene chiedere conferma a Mistral prima di fare i conti.

[Prenota una call con Andrea](https://andreapirazzini.it/prenota)

## Domande frequenti

**Voxtral 3 capisce l'italiano?**

Sì. La trascrizione copre 50 lingue, comprese le 24 lingue ufficiali dell'Unione europea, e l'italiano è tra le lingue del test FLEURS. Le voci pronte della sintesi vocale sono disponibili in 18 lingue, italiano compreso.

**Quanto costa Voxtral 3?**

Secondo l'annuncio di Mistral la trascrizione di file costa 0,0035 $ al minuto con Mini e 0,0040 $ con Small, quella in tempo reale 0,008 $ al minuto e la sintesi vocale 13 $ per milione di caratteri. La scheda tecnica della sintesi vocale riporta 16 $: conviene verificare.

**Voxtral 3 è open source?**

No, non al 20 ottobre 2026. I modelli sono nella fascia Premier di Mistral e non ci sono pesi pubblici su Hugging Face. Gli open weight con licenza Apache 2.0 sono quelli del primo Voxtral, del 2025.

**Si può usare per un centralino telefonico?**

L'SDK per agenti vocali supporta il telefono via SIP e il web via WebRTC, ma al lancio il SIP è disponibile per i clienti enterprise. Mistral dichiara che ogni turno di conversazione dura meno di un secondo.

**I dati restano in Europa?**

Mistral offre un'API ospitata in Europa, oltre a endpoint negli Stati Uniti e globali, e il controllo sulla conservazione dell'audio. È annunciata anche l'installazione sulla propria infrastruttura, con condizioni da concordare con Mistral.

**Quali sono i limiti principali?**

I modelli sono in anteprima pubblica, la trascrizione non dà i tempi parola per parola, le istruzioni di stile della voce non sono disponibili al lancio e i benchmark sono del produttore.