Voxtral 3 od Mistrala: agent głosowy po polsku za 0,04 dolara za minutę

20 października Mistral opublikował Voxtral 3, zestaw modeli do rozpoznawania i syntezy mowy, oraz API agenta głosowego rozliczane za minutę rozmowy. Dla firm, które chcą odbierać telefony automatycznie, ważne są trzy rzeczy: polski jest na liście języków, serwery mogą stać w Europie, a cennik da się policzyć przed wdrożeniem.

Co jest w zestawie

Mistral podaje w cenniku cztery modele i jedno API:

• Voxtral Small Transcribe 3, transkrypcja o najwyższej dokładności: 0,0040 $ za minutę.
• Voxtral Mini Transcribe 3, transkrypcja wsadowa: 0,0035 $ za minutę.
• Voxtral Mini Transcribe Realtime 3, transkrypcja na żywo z opóźnieniem poniżej 500 ms: 0,008 $ za minutę.
• Voxtral Mini TTS 3, synteza mowy w ponad 35 językach i ponad 50 dialektach: 13 $ za milion znaków.
• API agenta głosowego: 0,04 $ za minutę z modelem Mistral Small 4 jako „mózgiem” rozmowy albo 0,08 $ z większym modelem. Mistral deklaruje, że jedna tura rozmowy zamyka się poniżej sekundy, bo kolejne etapy (rozpoznanie mowy, odpowiedź modelu, synteza) nie czekają na siebie.

Polski jest wymieniony w testach transkrypcji, w wersji na żywo i w bibliotece głosów TTS. SDK agenta jest zbudowany na LiveKit, czyli otwartej platformie do rozmów w czasie rzeczywistym. Modele działają w API Mistrala z końcówkami w Europie i USA, a dla firm, które chcą trzymać dane u siebie, jest wdrożenie na własnej infrastrukturze po kontakcie z Mistralem.

Dlaczego cena za minutę ma znaczenie

Do tej pory voicebot składało się z trzech osobnych usług (rozpoznawanie mowy, model językowy, synteza) od różnych dostawców, każda z własnym cennikiem i opóźnieniem. Mistral podaje dla API agenta jedną stawkę za minutę, więc firma może policzyć koszt tysiąca minut rozmów, zanim podpisze umowę. Do tego dochodzą koszty telefonii (numer, połączenia) i wdrożenia, które są osobne.

Jak mogłoby wyglądać wdrożenie w firmie

Weźmy firmę serwisową, do której dzwonią klienci z awariami i pytaniami o termin. Wdrażamy właśnie voicebota dla takiej firmy, więc kroki poniżej są z praktyki.

1. Nagrania i klasyfikacja. Słuchamy kilkudziesięciu rozmów i dzielimy je na typy: zgłoszenie awarii, pytanie o termin, pytanie o cenę, sprawa dla człowieka.
2. Scenariusze. Dla każdego typu spisujemy, co bot ma ustalić (adres, urządzenie, objaw, numer zwrotny) i kiedy ma przekazać rozmowę pracownikowi.
3. Integracja z centralą. Bot musi odbierać połączenia z firmowego numeru i przekazywać je dalej, więc potrzebny jest dostęp do centrali (PBX albo SIP) lub operatora numeru.
4. Pilot na części ruchu. Przez dwa tygodnie bot odbiera na przykład tylko połączenia po godzinach. Porównujemy zgłoszenia z tym, co zebrałby pracownik, i poprawiamy scenariusze.
5. Pełny ruch i raport. Po pilocie bot przejmuje pierwszą rozmowę w godzinach pracy, a pracownik dostaje gotowe zgłoszenie zamiast dzwonka.

Orientacyjny koszt samego API przy 1 000 minut rozmów miesięcznie: 40 $ przy stawce 0,04 $ za minutę, 80 $ przy większym modelu. To koszt modeli, bez telefonii, wdrożenia i utrzymania.

Na co uważać

• Testy po polsku z prawdziwym hałasem. Lista języków to jedno, rozmowa z warsztatu z telefonu z ręki to drugie. Przed pilotem nagrywamy próbne rozmowy w warunkach, w jakich dzwonią klienci.
• Opóźnienie na linii. Mistral nie pisze, czy deklarowana sekunda na turę obejmuje opóźnienie telefonii, więc przyjmujemy, że nie. Jeśli rozmówca czeka dłużej, zaczyna mówić jednocześnie z botem, więc scenariusz musi to obsłużyć.
• RODO. Rozmowy są przetwarzane przez dostawcę modelu. Klient musi usłyszeć, że rozmawia z automatem, a w polityce prywatności trzeba opisać, gdzie trafiają dane. Europejska końcówka API i opcja własnej infrastruktury upraszczają tę część.
• Trudne rozmowy do człowieka. Reklamacje i zdenerwowani klienci powinni szybko trafić do pracownika. Bot ma zbierać fakty, nie negocjować.

Jeśli chcesz policzyć taki scenariusz dla swojej firmy, zobacz voiceboty AI w ofercie ENAPPIA.

Źródła

• Voxtral 3, Mistral AI, 20 października 2026