Voxtral 3: Transkripsi 50 Bahasa, 0,0035 Dolar per Menit

Mistral merilis Voxtral 3 pada 20 Oktober 2026: keluarga model suara plus voice agent SDK yang mendukung 50 bahasa, dengan model transkripsi berukuran 4 miliar parameter dan harga 0,0035 dolar per menit audio. Model ini menangani transkripsi, diarisasi pembicara, context biasing, deteksi akhir giliran bicara, dan sintesis suara dengan 35 bahasa serta 50 dialek. Tersedia lewat API yang di-hosting di Uni Eropa atau untuk dijalankan sendiri di infrastruktur pengguna.

TL;DR

• Voxtral 3 menggabungkan transkripsi, penalaran, pemanggilan tool, dan sintesis suara dalam satu pipeline streaming real-time.
• Model transkripsinya 4 miliar parameter dengan harga 0,0035 dolar per menit audio lewat API Mistral.
• Dukungan bahasa mencakup 50 bahasa, termasuk 24 bahasa resmi Uni Eropa serta bahasa Asia dan Indic dengan sumber daya terbatas.
• Sintesis suara mendukung 35 bahasa dan 50 dialek, dengan adaptasi suara memakai sekitar 30 menit audio.
• Mistral mengklaim model ini mengungguli Whisper, Scribe v2, dan Gemini 3.5 Transcribe pada tolok ukur yang mereka pilih.

Apa yang Baru di Voxtral 3?

Yang baru bukan sekadar model yang lebih akurat, tapi penggabungan empat kemampuan ke dalam satu alur: mendengar, menalar, memanggil tool, lalu berbicara. Mistral menyebut bahwa membangun voice agent utuh selama ini sulit karena keempat bagian itu biasanya datang dari vendor berbeda, dengan latensi dan format yang tidak selalu cocok. Voxtral 3 mencoba menyatukannya dalam satu pipeline streaming.

Untuk sisi transkripsi, Mistral menambahkan tiga kemampuan yang biasanya dijual terpisah: diarisasi untuk membedakan siapa berbicara, context biasing untuk menaikkan akurasi istilah teknis tanpa fine-tuning, dan end-of-turn detection supaya agen tahu kapan lawan bicara selesai. Deteksi akhir giliran terdengar sepele, tapi di praktiknya itu yang menentukan apakah percakapan terasa natural atau seperti menunggu antrean.

Untuk sisi keluaran, Voxtral 3 memperkenalkan suara baru yang bisa menyesuaikan emosi, tempo, dan penekanan berdasarkan konteks percakapan. Mistral juga menyediakan adaptasi suara yang memakai sekitar 30 menit audio untuk mereproduksi karakter, rentang emosi, dan gaya bicara seseorang lintas bahasa. Fitur terakhir ini jelas perlu ditangani hati-hati dari sisi persetujuan dan kebijakan internal.

Detail rilis dan demo tersedia di pengumuman resmi Voxtral 3, sementara dokumentasi API-nya ada di dokumentasi audio Mistral.

Berapa Biaya dan Ukuran Modelnya?

Model transkripsi Voxtral 3 berukuran 4 miliar parameter dan dipatok 0,0035 dolar per menit audio. Angka itu penting karena biaya per menit adalah variabel yang paling sering menjatuhkan proyek voice agent: satu panggilan dukungan berdurasi 8 menit berarti sekitar 0,028 dolar hanya untuk transkripsi, dan itu belum termasuk biaya model bahasa serta sintesis suara.

Komponen	Spesifikasi yang disebut Mistral
Model transkripsi	4 miliar parameter, 0,0035 dolar per menit audio
Dukungan bahasa transkripsi	50 bahasa, termasuk 24 bahasa resmi Uni Eropa
Sintesis suara	35 bahasa dan 50 dialek, suara adaptif terhadap konteks
Adaptasi suara	Sekitar 30 menit audio per suara
Mode deployment	API yang di-hosting di Uni Eropa atau self-deployment

Kartu model dan informasi bobot untuk keluarga model Mistral tersedia di organisasi Mistral di Hugging Face, dan biasanya jadi tempat pertama yang diperbarui saat ada varian baru.

Untuk perhitungan kapasitas, jangan berhenti di harga per menit. Hitung juga biaya token model bahasa yang memproses transkrip, biaya sintesis untuk setiap respons, dan biaya penyimpanan audio kalau memang disimpan. Pada percakapan dua arah, total menit audio bisa dua kali durasi panggilan karena ada jalur masuk dan keluar.

Bahasa Apa Saja yang Didukung?

Mistral menyebut 50 bahasa untuk transkripsi, mencakup 24 bahasa resmi Uni Eropa serta sejumlah bahasa Asia dan Indic dengan sumber daya terbatas. Bahasa Indonesia masuk dalam daftar yang mereka publikasikan, bersama bahasa lain di kawasan seperti Vietnam, Thailand, dan Filipina. Untuk sintesis, cakupannya 35 bahasa dengan 50 dialek.

Bagi tim di Indonesia, kehadiran bahasa Indonesia di daftar itu lebih penting daripada angka 50 itu sendiri. Voice agent untuk pasar lokal sering gagal bukan karena modelnya kurang pintar, tapi karena transkripsi istilah campuran Indonesia-Inggris dan nama daerah tidak akurat. Fitur context biasing di Voxtral 3 adalah jalur paling praktis untuk menambal masalah itu tanpa melatih ulang model.

Yang perlu diuji sendiri: akurasi pada rekaman nyata dari pengguna lo, bukan pada sampel bersih. Rekaman call center biasanya punya noise, potongan jaringan, dan aksen yang berbeda dari data benchmark. Sediakan minimal beberapa jam audio berlabel sebelum memutuskan model mana yang dipakai.

Seberapa Akurat Dibanding Model Lain?

Mistral mengklaim model kecil Voxtral 3 mencapai hasil state-of-the-art pada diarisasi dan transkripsi multibahasa, termasuk untuk bahasa Inggris, Prancis, dan Spanyol, serta mengungguli Whisper, Scribe v2, dan Gemini 3.5 Transcribe. Klaim itu diukur memakai macro-average word error rate pada irisan 45 bahasa di tolok ukur FLEURS, dengan catatan bahwa bahasa Jepang, Korea, Thai, dan Mandarin diukur memakai character error rate.

Ada dua hal yang perlu dicatat sebelum mengutip angka itu. Pertama, ini klaim vendor, bukan evaluasi independen, jadi perlakukan sebagai titik awal untuk pengujian sendiri. Kedua, FLEURS adalah data pembacaan yang relatif bersih; performa pada rekaman call center dengan noise dan tumpang tindih pembicara bisa berbeda cukup jauh.

Untuk diarisasi, Mistral menyebut pengukuran memakai concatenated minimum permutation word error rate pada tolok ukur publik seperti AMI, Switchboard, dan AISHELL-4. Metrik itu memang standar untuk tugas "siapa berbicara kapan", tapi hasilnya tetap bergantung pada jumlah pembicara dan kualitas audio. Kalau use case lo punya tiga pembicara atau lebih dalam satu rekaman, uji terpisah.

Kapan Cukup API dan Kapan Perlu Self-Hosting?

API yang di-hosting di Uni Eropa cukup untuk sebagian besar tim yang ingin cepat mulai dan belum punya kebutuhan khusus soal lokasi pemrosesan. Self-hosting masuk hitungan kalau ada aturan internal yang mewajibkan audio tidak keluar dari infrastruktur sendiri, atau kalau volume sudah cukup besar sehingga biaya per menit lebih mahal daripada biaya operasional GPU.

Cara menghitung titik baliknya sederhana: bandingkan biaya per menit API dengan biaya per menit menjalankan model sendiri, termasuk GPU, penyimpanan model, engineering untuk deployment, dan ongkos pemeliharaan. Jangan lupa memasukkan biaya idle, karena layanan suara biasanya butuh kapasitas siap walaupun trafik malam rendah.

Self-hosting juga membawa tanggung jawab yang tidak terlihat di API: pembaruan model, pemantauan latensi, penanganan antrean, dan penskalaan saat jam sibuk. Untuk tim kecil, beban itu sering lebih mahal daripada selisih harga per menit yang ingin dihemat.

Apa yang Perlu Disiapkan Sebelum Membangun Voice Agent?

Mulai dari skenario percakapan yang sempit. Voice agent yang mencoba menjawab apa saja biasanya gagal di dua hal: salah memahami maksud dan salah memilih tool. Batasi cakupan ke beberapa intent utama, lalu ukur tingkat penyelesaian tugas sebelum menambah cakupan.

Kedua, siapkan tool yang aman dipanggil model. Setiap tool harus punya validasi input, batas wewenang, dan jalur pembatalan. Karena Voxtral 3 mendukung pemanggilan tool di tengah percakapan, kesalahan kecil di definisi tool bisa berubah jadi aksi nyata pada sistem bisnis.

Ketiga, siapkan jalur eskalasi ke manusia. Tidak semua percakapan bisa diselesaikan agen, dan pengalihan yang mulus lebih berharga daripada agen yang memaksa menyelesaikan semuanya. Keempat, siapkan evaluasi berbasis rekaman nyata, bukan hanya skrip uji yang ditulis tim sendiri.

Bagaimana dengan Privasi Audio?

Mistral menempatkan kontrol privasi sebagai bagian dari nilai jual: API-nya di-hosting di Uni Eropa, dan opsi self-deployment memberi kendali penuh atas lokasi pemrosesan serta apakah percakapan disimpan. Untuk tim di Indonesia, keputusan soal lokasi pemrosesan biasanya dipengaruhi aturan internal dan ekspektasi pelanggan, bukan hanya harga.

Yang perlu dipastikan sebelum produksi: apakah audio mentah disimpan, berapa lama, dan siapa yang bisa mengaksesnya. Kalau fitur adaptasi suara dipakai, pastikan ada persetujuan eksplisit dari pemilik suara, karena 30 menit audio sudah cukup untuk mereproduksi karakter bicara seseorang lintas bahasa.

Kebijakan retensi juga perlu diuji, bukan hanya dibaca. Kirim percakapan uji, lalu periksa apakah data muncul di tempat yang tidak diharapkan, misalnya log aplikasi atau penyimpanan sementara. Privasi audio jarang gagal di dokumen kebijakan; biasanya gagal di jalur logging yang ditambahkan belakangan.

Bagaimana Memulai Uji Coba Kecil?

Mulai dari satu tugas yang hasilnya mudah dinilai, misalnya merangkum panggilan dukungan menjadi tiga poin dan satu tindak lanjut. Rekam 20 sampai 30 percakapan nyata, jalankan transkripsi, lalu bandingkan hasilnya dengan ringkasan buatan manusia. Ukur dua hal: apakah poin penting tertangkap, dan berapa sering model menambah informasi yang tidak ada di percakapan.

Langkah kedua, tambahkan pemanggilan satu tool saja, misalnya pencarian status pesanan. Di tahap ini yang diuji bukan kecerdasan model, tapi keandalan alur: apakah parameter terisi benar, apakah hasil tool dipakai dengan tepat, dan apa yang terjadi kalau tool mengembalikan error. Sebagian besar kegagalan voice agent di produksi berasal dari bagian ini, bukan dari kualitas transkripsi.

Langkah ketiga, ukur latensi end-to-end. Percakapan terasa natural kalau jeda antar giliran di bawah sekitar satu detik; di atas itu, pengguna mulai mengira panggilan terputus dan bicara lagi. Catat latensi per komponen supaya jelas mana yang perlu dioptimalkan lebih dulu.

Langkah keempat, hitung biaya per percakapan sukses, bukan per menit. Metrik itu yang menentukan apakah proyek layak dilanjutkan, dan biasanya angkanya jauh lebih informatif daripada harga per menit yang tercantum di halaman produk.

FAQ

Apakah Voxtral 3 mendukung bahasa Indonesia?

Ya, bahasa Indonesia tercantum dalam daftar 50 bahasa transkripsi yang dipublikasikan Mistral. Akurasi untuk istilah campuran dan nama daerah sebaiknya diuji sendiri memakai rekaman nyata sebelum dipakai di produksi.

Berapa biaya transkripsi per menit?

Mistral mematok 0,0035 dolar per menit audio untuk model transkripsi 4 miliar parameter lewat API mereka. Biaya total voice agent tetap perlu menambahkan biaya model bahasa, sintesis suara, dan penyimpanan bila dipakai.

Apakah modelnya bisa dijalankan sendiri?

Bisa. Mistral menyediakan opsi self-deployment selain API yang di-hosting di Uni Eropa. Perhitungannya perlu mencakup biaya GPU, engineering deployment, pemantauan, dan kapasitas idle, bukan hanya harga per menit.

Apakah fitur adaptasi suara aman dipakai?

Secara teknis bisa, dengan sekitar 30 menit audio per suara. Secara kebijakan, perlu persetujuan eksplisit pemilik suara dan aturan internal soal penyimpanan sampel, karena hasilnya bisa mereproduksi karakter bicara seseorang lintas bahasa.