Mistral Voxtral 3: Sprach-KI und Voice-Agent-SDK aus Paris

Mistral aus Paris legt ein komplettes Paket vor, das Hören, Denken und Sprechen in einer Pipeline verbindet. Ich habe mir angesehen, was davon für kleine Unternehmen heute schon nutzbar ist.

Was passiert ist

Mistral hat am 20. Oktober 2026 Voxtral 3 vorgestellt. Dahinter steckt kein einzelnes Modell, sondern ein Baukasten: drei Modelle für Spracherkennung, ein Modell für Sprachausgabe und ein SDK, mit dem du aus beidem einen Sprachassistenten baust. Alles läuft laut Mistral über die EU-gehostete API oder auf eigener Infrastruktur.

Spracherkennung in 50 Sprachen. Die Transkriptionsmodelle verstehen laut Mistral über 50 Sprachen, darunter die 24 Amtssprachen der EU. Deutsch ist damit dabei. Die Modelle erkennen, wer wann gesprochen hat (Diarisierung), und du kannst ihnen eigene Fachbegriffe mitgeben, damit Produkt- oder Kundennamen richtig geschrieben werden. Mistral nennt das Context Biasing. Die Echtzeit-Variante liefert Text mit unter 500 Millisekunden Verzögerung.

Die Preise, Stand Oktober 2026:

Modell	Wofür	Preis
Voxtral Mini Transcribe 3	Aufnahmen transkribieren, Standard	0,0035 $ pro Minute
Voxtral Small Transcribe 3	Höhere Genauigkeit	0,004 $ pro Minute
Voxtral Mini Transcribe Realtime 3	Live-Transkription per WebSocket	0,008 $ pro Minute
Voxtral Mini TTS 3	Sprachausgabe	13 $ pro Million Zeichen

Mistral gibt an, dass Voxtral Small Transcribe 3 im eigenen Benchmark eine deutlich niedrigere Fehlerrate als Whisper large-v3 erreicht. Das ist eine Herstellerangabe, unabhängige Messungen gibt es noch nicht.

Sprachausgabe mit deutscher Stimme. Das TTS-Modell spricht laut Mistral 35 Sprachen und über 50 Dialekte. Für Deutsch gibt es eine vorgefertigte Stimme namens Heidi. Die Betonung steuerst du über 34 Emotions-Tags und zwei Tempo-Tags direkt im Text, das erste Audio kommt laut Modellkarte nach rund 90 Millisekunden.

Dazu kommt Stimmklonen in zwei Stufen: Zero-Shot aus einer kurzen Aufnahme ohne Training, und „Pro Voice“, wofür Mistral 30 Minuten bis 3 Stunden sauberes Audio eines einzelnen Sprechers empfiehlt.

Das Voice-Agent-SDK. Der wichtigste neue Teil ist das SDK. Es baut für den Audio-Transport auf LiveKit auf, LiveKit-Kenntnisse brauchst du laut Mistral nicht. Es gibt es für Python und Node.js, im Browser über TypeScript. Als Sprachmodell ist mistral-small-latest voreingestellt, du kannst es pro Agent austauschen.

Mistral verspricht, dass jede Gesprächsrunde in unter einer Sekunde abgeschlossen ist und der Agent verstummt, wenn der Anrufer ihn unterbricht. Tools kann er auch aufrufen: serverseitig bei Mistral Websuche, Dokumentbibliotheken und Workspace-Connectors, clientseitig deine eigenen Funktionen. Die Voice-Agent-API kostet laut Mistral 0,04 $ pro Minute mit Mistral Small 4 und 0,08 $ pro Minute mit einem größeren Modell. Die Installation ist ein Einzeiler:

pip install "mistralai[voice-agents]"

Alle Modelle sind laut Modellkarten im Status Public Preview. Testen kannst du sie ohne Code in den Studio-Playgrounds.

Was es für dich bedeutet

Für Selbstständige und kleine Teams sehe ich drei realistische Einsätze, mit unterschiedlich großen Hürden.

Diktieren und Protokolle: sofort machbar. Du lädst eine Aufnahme hoch und bekommst Text mit Sprecherzuordnung und Zeitstempeln pro Abschnitt zurück. Wort-Zeitstempel gibt es laut Doku nicht. Mit Context Biasing gibst du dem Modell deine Fachbegriffe mit, das ist für Handwerk, Praxen oder Kanzleien der entscheidende Unterschied zu einer Standard-Diktier-App. Wie du so einen Ablauf ohne Programmierkenntnisse in deinen Büroalltag einbaust, zeige ich im Ratgeber Prozesse mit KI automatisieren.

Sprachassistent auf der Website oder in der App: machbar mit Entwickler. Das SDK nimmt dir Echtzeit-Audio, Unterbrechungen und das Zusammenspiel der drei Modelle ab. Du definierst Anweisungen, eine Begrüßung und Tools, etwa eine Terminabfrage gegen deinen Kalender. Trotzdem bleibt es Programmierarbeit mit Python oder Node.js. Wenn du noch nie einen Agenten gebaut hast, lies zuerst KI-Agenten erstellen: Der eigene Agent in 7 Schritten.

Telefonassistent: noch nicht für KMU. Hier muss ich die Erwartung dämpfen. Telefonie läuft über SIP, ist laut Mistral-Dokumentation aber nur für Enterprise-Kunden über das Account-Team freigeschaltet. Es gibt nur eingehende Anrufe, keine ausgehenden, und der Agent kann einen Anruf nicht an einen Menschen weiterleiten. Wer heute einen KI-Telefonassistenten will, braucht also entweder einen Enterprise-Vertrag oder einen Dienstleister, der die Telefonseite übernimmt. Was ein KI-Agent überhaupt ist und wo seine Grenzen liegen, erkläre ich in Was ist ein KI-Agent?.

Datenschutz: besser als bei vielen, aber kein Freifahrtschein. Mistral betreibt einen eigenen EU-Endpunkt unter api.eu.mistral.ai, jede Region ist laut Mistral eine eigenständige Installation mit eigener Datengrenze. Dafür zahlst du 10 Prozent Aufschlag. API-Daten werden laut Mistral nicht zum Training genutzt, Zero Data Retention gibt es auf Anfrage. Prüfe das auf der Preisseite verlinkte Trust Center und Data Processing Agreement, bevor Kundengespräche durch die API laufen. Für Telefon- oder Meeting-Aufnahmen brauchst du außerdem die Zustimmung der Gesprächspartner.

Stimmklonen: technisch leicht, organisatorisch heikel. Die Mistral-Dokumentation zum Stimmklonen enthält keine Angaben zu Einwilligung oder Rechten an der Stimme. Gespeicherte Stimmen werden standardmäßig 30 Tage aufbewahrt, einstellbar zwischen 1 und 365 Tagen. Mein Rat: Klone nur deine eigene Stimme oder die einer Person, die schriftlich zugestimmt hat, und lege die Aufbewahrung bewusst fest.

Was ich jetzt tun würde. Lade im Studio-Playground eine eigene Aufnahme hoch und vergleiche das Ergebnis mit deinem bisherigen Tool. Das kostet ein paar Cent und zeigt dir in zehn Minuten, ob die deutsche Erkennung für deinen Fachbereich reicht. Erst danach lohnt sich das Nachdenken über einen Sprachassistenten. Und bedenke: Alles ist noch Public Preview, Preise, Modellnamen und Limits können sich ändern.

Quellen

• Mistral AI: Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages, Ankündigung vom 20. Oktober 2026
• Mistral-Dokumentation: Voxtral Mini Transcribe 3, Voxtral Small Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Mini TTS 3
• Mistral-Dokumentation: Voice Agents Overview, Telephony, Agent Configuration, Voices, Voice Cloning
• Mistral AI: Inference und regionale Endpunkte, Pricing

Häufige Fragen

Kann Mistral Voxtral 3 Deutsch?

Ja. Die Transkriptionsmodelle unterstützen laut Mistral über 50 Sprachen, darunter die 24 Amtssprachen der EU. Die Sprachausgabe deckt 35 Sprachen ab und bringt für Deutsch eine vorgefertigte Stimme mit.

Was kostet Voxtral 3?

Stand Oktober 2026: Transkription ab 0,0035 $ pro Minute, Echtzeit-Transkription 0,008 $ pro Minute, Sprachausgabe 13 $ pro Million Zeichen. Ein Voice Agent mit Mistral Small 4 kostet 0,04 $ pro Minute. Der EU-Endpunkt kostet 10 Prozent Aufschlag.

Kann ich mit Voxtral 3 einen Telefonassistenten bauen?

Technisch ja, über SIP. Laut Mistral-Dokumentation ist Telefonie zum Start aber nur für Enterprise-Kunden freigeschaltet, nur für eingehende Anrufe und ohne Weiterleitung an einen Menschen. Sprachassistenten im Browser oder in einer App kannst du sofort bauen.

Ist Voxtral 3 DSGVO-konform?

Mistral bietet einen EU-Endpunkt mit eigener Datengrenze, nutzt API-Daten laut eigener Aussage nicht zum Training und bietet Zero Data Retention auf Anfrage. Ob dein Einsatz konform ist, hängt von deinem Anwendungsfall und deinem Vertrag mit Mistral ab.