Voxtral 3: русский в списке, весов нет. Что с локальным запуском

Что вышло и что я сверил

В пересказе канала звучало: 50 языков, ответ быстрее секунды, озвучка с эмоциями, клонирование, локальный запуск и победа над Whisper. Я открыл анонс и каталог моделей в документации. Новость подтверждается, но с оговорками ниже.

Модели: Voxtral Small Transcribe 3 (точнее всех, 0,004 доллара за минуту), Mini Transcribe 3 на 4 млрд параметров (пакетная обработка, 0,0035), Mini Transcribe Realtime 3 (поток, 0,008) и Voxtral Speech 3, она же TTS 3 (13 долларов за миллион символов). Голосовой агент собирается на SDK поверх LiveKit: распознавание, любая языковая модель, озвучка. Тариф агента 0,04 доллара за минуту с Mistral Small 4 и 0,08 с другой моделью. Цены сверены 21 октября 2026 года по анонсу и карточкам документации. На общей странице цен Mistral аудио пока без цифр.

Русский: где заявлен, где замеров нет

Распознавание. Русский (RU) стоит в списке 45 языков теста FLEURS и в списке потокового теста на 35 языков. Озвучка. В анонсе русский есть в библиотеке голосов и среди готовых голосов на 18 языках. А карточка Voxtral TTS 3 в документации говорит про 9 языков, не называя их, и у прошлой озвучки 2603 в этих девяти русского нет. Расхождение внутри самой Mistral, поэтому русскую озвучку слушайте сами.

Цифры качества дала сама Mistral. Средняя ошибка Small на 45 языках около 4 процентов, у Whisper large-v3 на том же графике 14,9 и 16,0. Это чтение книжных фраз, не телефон. Диаризация (кто говорит) проверена на английских и китайских наборах, среди них Switchboard, русских записей там нет. Отдельной цифры для русского у Voxtral 3 я не нашёл. На графике рядом с Small стоит Microsoft AI Transcribe 2 с похожим результатом, так что «лучше всех» относится к названным в анонсе моделям.

Что значит «локальный запуск»

В анонсе: доступно через европейский API или для развёртывания на своей инфраструктуре, полный стек в своём контуре «обсуждайте с командой». Загрузить Voxtral 3 с Hugging Face сейчас нельзя: в аккаунте mistralai я нашёл только прошлые поколения. Лицензия Voxtral 3 нигде не названа. Что вы получите по договору, неизвестно.

Открыто вот что:

• Voxtral Mini 4B Realtime 2602: Apache 2.0, 13 языков, русский в том числе. Ошибка на русском в FLEURS по карточке 6,02 процента при задержке 480 мс. Нужна видеокарта от 16 ГБ, запуск через vLLM.
• Voxtral 4B TTS 2603: лицензия CC BY-NC 4.0, некоммерческая. Девять языков, русского нет, тоже от 16 ГБ.

Для бизнеса вывод простой: на открытых весах сегодня можно собрать распознавание, а озвучку брать другую. Одна из них разобрана в статье про CosyVoice.

Цепочка или речь в речь

У Voxtral 3 цепочка: распознавание, модель, озвучка, и каждое звено заменяется отдельно. Заявлено меньше секунды на ход и остановка речи, когда клиент перебивает. «Речь в речь» работает как единая модель, пример разобран в статье про Grok Voice. В цепочке перед озвучкой виден текст ответа: цену можно подставить из CRM и записать в журнал. Российский вариант цепочки описан в материале про голосового ассистента на российском стеке.

Условный счёт за минуту и железо

Условный пример. Допущения: 600 звонков в месяц по 3 минуты, это 1800 минут; курс 90 рублей за доллар; агент говорит около половины времени, в минуте разговора примерно 500 символов; распознавание считается за всю минуту. Правила округления минуты я не нашёл.

• Готовый агент с Mistral Small 4: 1800 × 0,04 = 72 доллара, около 6500 рублей.
• Свои звенья, потоковое распознавание: 1800 × 0,008 = 14,4 доллара.
• Озвучка: 900 000 символов × 13 долларов за миллион = 11,7 доллара.
• Итого 26,1 доллара, около 2350 рублей, плюс языковая модель по её тарифу, телефония и ваша работа с CRM.

Теперь железо. Допустим, поставщик дал расчёт на сервер для всей цепочки в 500 тысяч рублей (число для примера, не рыночная цена). Тогда к 6500 рублям в месяц за API он окупается через 77 месяцев. Облачная часть при таком объёме стоит дёшево, и свой сервер имеет смысл ради контроля над данными, экономии он не даст. Языковая модель сама тянет память: у Mistral Small 4 в названии репозитория 119B, сколько ей нужно, считайте по карточке. Про данные звонков и закон смотрите запись разговоров по закону и локализацию по 152-ФЗ. Трактовку для вашего случая даст юрист.

Клонирование голоса

В анонсе клонирование идёт по 30 с лишним минутам записи, а режим Pro Voice повторяет манеру и эмоции. В старой документации по озвучке встречается обещание клонировать по 2-3 секундам. Условий согласия владельца голоса я у Mistral не нашёл. Правила простые: письменное согласие диктора на конкретные цели и срок, никакого чужого голоса и никаких «похожих на известного человека». Статус закона об охране голоса я не проверял.

Что можно сделать уже сейчас

Соберите 20 звонков. Обезличенные, права на запись уточните. Нужны цифры (телефон, сумма, номер заказа), фамилии и отчества, адреса, шум, плохая связь, перебивания, просьба повторить.

Прогоните распознавание. Voxtral Small и Mini через API, Realtime 2602 у себя, один пакет подсказок терминов. Считайте ошибки в полях, не среднюю точность.

Послушайте озвучку. Двадцать реплик агента: ударения, числа, названия. Если русского в TTS 3 нет, вся цепочка меняется.

Посчитайте минуту. Из реального счёта за месяц. С прогоном и сравнением помогу в рамках голосовых ИИ-ассистентов и ИИ-агентов, мои цены в прайсе.

Частые вопросы

Можно ли скачать Voxtral 3 и запустить у себя?

Весов Voxtral 3 я не нашёл. Скачиваются прошлые модели: распознавание Realtime 2602 под Apache 2.0 и озвучка 2603 только для некоммерческого использования.

Понимает ли Voxtral 3 русскую речь по телефону?

Русский заявлен в списках, замеров на русских телефонных записях нет. Проверяйте на своих звонках.

Можно ли платить и подключаться из России?

Страны регистрации и способы оплаты я не проверял. Доступ и оплату уточняйте.

Коротко о главном

Voxtral 3 существует, цены опубликованы, русский в списках распознавания стоит. Весов и лицензии у новых моделей нет, русская озвучка противоречит сама себе в документации, замеров на телефонной речи нет. Прошлые открытые модели годятся для распознавания, но не для коммерческой озвучки.

Если хотите, чтобы я прогнал ваши записи через эту цепочку и показал таблицу ошибок и цену минуты, напишите мне в Telegram кодовое слово «ТЕНОР».