Ein Anrufer will einen Termin, am anderen Ende hört ein Programm zu, bucht den Termin und antwortet mit künstlicher Stimme: Für genau diesen Ablauf hat Mistral am 20. Oktober 2026 neue Bausteine vorgestellt.

Erst kostenlos reinschnuppern, dann entscheiden

Bevor du dich für eine Weiterbildung entscheidest, sieh dir kostenlos an, wie sie läuft, fünf Lektionen plus Live-Demo, ohne Verpflichtung. Passt es, ist der Digitalisierungsmanager bei bewilligtem Bildungsgutschein für dich kostenlos.

Kostenlos reinschnuppern

Der Schnupperkurs ist gratis. Ob die Weiterbildung über den Bildungsgutschein gefördert wird, entscheidet die Agentur für Arbeit im Einzelfall.

Bausteine für Telefonagenten

Voxtral 3 ist laut Mistral eine Familie von Modellen für zwei Richtungen. Sprache zu Text heißt Transkription, Text zu Sprache heißt Sprachausgabe. Dazu kommt ein SDK für Sprachagenten, das Zuhören, Denken, Werkzeugaufrufe und Sprechen in einem durchgehenden Echtzeit-Ablauf verbinden soll. Als Einsatzfelder nennt Mistral unter anderem Agenten im Kontaktcenter und Servicedesks.

Das SDK ist ein Werkzeug für Entwickler. Einen fertigen Telefonassistenten, den ein Betrieb nur noch einschaltet, liefert Mistral damit nicht.

Wer einen solchen Agenten haben will, steht also vor der Wahl zwischen einer fertigen Plattform und dem eigenen Aufbau mit Entwicklern. Die Abwägung haben wir im Artikel Telefon-KI selbst bauen oder kaufen? beschrieben.

Transkription und Stimmen, laut Mistral

Für die Transkription nennt Mistral 50 Sprachen, darunter die 24 Amtssprachen der EU. Das Modell soll erkennen, wer was gesagt hat und wann jemand fertig gesprochen hat. Fachvokabular lässt sich laut Mistral über Schlüsselbegriffe einstellen, ohne dass das Modell nachtrainiert werden muss. Die kleine Variante Mini hat nach Angaben des Herstellers 4 Milliarden Parameter. In Echtzeit soll die Verzögerung unter 500 Millisekunden liegen. Wie viele Sprachen die Echtzeit-Transkription abdeckt, beantwortet Mistrals eigene Seite uneinheitlich: An einer Stelle stehen über 35 Sprachen, an anderer Stelle 40+. Auch die Modellnamen wechseln, die Sprachausgabe heißt dort mal Voxtral Mini TTS 3, mal Voxtral Mini TTS 3.0, mal Voxtral Speech 3.

Bei der Sprachausgabe spricht Mistral von mehr als 35 Sprachen und mehr als 50 Dialekten. Die Stimmen sollen Emotion und Tempo an den Gesprächsverlauf anpassen, ebenso die Betonung. Fertige Stimmen gibt es laut Mistral in 18 Sprachen, darunter Deutsch. Eine eigene Stimme lässt sich nach Angaben des Herstellers aus mehr als 30 Minuten Audiomaterial klonen, die Profi-Variante „Pro Voice“ soll mit 30 Minuten Audio Charakter und Sprechweise einer Person über Sprachen hinweg nachbilden.

Alle diese Werte sind Angaben von Mistral, eine unabhängige Messung liegt nicht vor. Wie gut die Modelle deutschen Dialekt am Telefon verstehen, belegt keine der Quellen.

Wählbarer Betriebsort

Laut Mistral ist Voxtral 3 über die in der EU gehostete API verfügbar oder zum Betrieb auf eigener Infrastruktur. Organisationen sollen damit festlegen können, wo das Audio verarbeitet wird und wie mit den Daten umgegangen wird. Auch ob Gespräche überhaupt gespeichert werden, soll in ihrer Hand liegen. Die API läuft laut Mistral über europäische und US-Endpunkte, dazu über globale; TestingCatalog bestätigt diese Endpunkte und den Selbstbetrieb.

Für den Betrieb vor Ort oder in einer privaten Cloud verweist Mistral auf ein Gespräch mit seinem Team, einen Preis dafür nennt die Ankündigung nicht. Ob die Modellgewichte frei veröffentlicht werden, sagt sie ebenfalls nicht.

Das SDK im Gespräch, die Preise je Minute

Technisch baut das SDK laut Mistral auf LiveKit auf. Keine Stufe wartet auf die vorherige, deshalb soll jeder Gesprächszug in unter einer Sekunde fertig sein, und redet der Anrufer dazwischen, hört der Agent auf zu sprechen. Im Gespräch kann er laut Mistral einen Termin buchen oder eine Rechnung prüfen, The Decoder nennt dieselben Beispiele. Auch die Identität eines Anrufers soll er prüfen können. Dafür nutzt er Funktionsaufrufe und Abfragen in eigenen Systemen, außerdem die Websuche.

Anrufe nimmt der Agent über SIP an und führt sie, im Browser und in Apps läuft er über WebRTC. An bestehende Telefonanlagen und Kontaktcenter-Software lässt er sich laut Mistral anbinden. Jede Stufe ist ein eigenes Modell. Das Sprachmodell lässt sich austauschen, ebenso Stimme oder Sprache. Ausprobieren lassen sich Sprachagenten, Transkription, Sprachausgabe und Stimmklonen laut Mistral in den „Studio“-Testumgebungen.

Die Preistabelle von Mistral nennt folgende Werte in US-Dollar:

TestingCatalog bestätigt die Werte 0,0035, 0,008 und 13 US-Dollar, The Decoder den Einstieg ab 0,0035 Dollar je Minute.

Unsere Einschätzung

Wer am Telefon vor allem gleichförmige Anliegen bearbeitet, Terminwünsche etwa oder Statusfragen, hat für einen Sprachagenten einen naheliegenden Anwendungsfall. Am wichtigsten finden wir an dieser Ankündigung die Wahl des Betriebsorts: EU-Endpunkt oder eigene Server, und laut Mistral die Entscheidung, ob Gespräche überhaupt gespeichert werden.

Diese Frage würden wir jedem Anbieter einer fertigen Telefon-KI stellen, ganz gleich, auf welchen Modellen er aufsetzt.

Die Minutenpreise wirken klein. Sie gelten allerdings für die Bausteine. Ein Rechenbeispiel von uns: 1.000 Gesprächsminuten über die Sprachagenten-API mit Mistral Small 4 kämen nach der Preistabelle auf 40 US-Dollar. Hinzu kommen der Telefonanschluss und die Einrichtung, und jemand muss die Gesprächsabläufe dauerhaft pflegen.

Wir würden mit einem eng umrissenen Anliegen beginnen, etwa der Terminabfrage. Jede Antwort, die der Agent ins eigene System schreibt, würden wir mit einer Rückfrage an den Anrufer absichern. Ob Erkennung und Stimmen am deutschen Telefon so tragen, wie Mistral es beschreibt, zeigt aus unserer Sicht erst ein eigener Test.

Quellen

Die genannten Angaben stützen sich auf folgende öffentlich zugängliche Quellen (Stand der Recherche: 21. Oktober 2026):

Häufige Fragen

Was hat Mistral mit Voxtral 3 vorgestellt?

Mistral AI hat am 20. Oktober 2026 Voxtral 3 vorgestellt, eine Familie von Modellen für Transkription und Sprachausgabe. Dazu gehört ein SDK für Sprachagenten, das Zuhören, Denken, Werkzeugaufrufe und Sprechen in einem Echtzeit-Ablauf verbinden soll. Das SDK ist ein Werkzeug für Entwickler und kein fertiger Telefonassistent.

Wo laufen die Voxtral-3-Modelle?

Laut Mistral über eine in der EU gehostete API oder auf eigener Infrastruktur. Die API läuft nach Angaben von Mistral über europäische und US-Endpunkte sowie über globale. Für den Betrieb vor Ort oder in einer privaten Cloud verweist Mistral auf ein Gespräch mit seinem Team, einen Preis dafür nennt die Ankündigung nicht.

Was kostet Voxtral 3 laut Mistral?

Die Preistabelle von Mistral nennt 0,0035 US-Dollar je Minute für Voxtral Mini Transcribe 3 in der Stapelverarbeitung und 0,008 US-Dollar je Minute für die Echtzeit-Transkription. Die Sprachausgabe kostet 13 US-Dollar je 1 Million Zeichen. Die Sprachagenten-API liegt bei 0,04 US-Dollar je Minute mit Mistral Small 4 und bei 0,08 US-Dollar je Minute mit einem größeren Modell.

Was sollte ein Betrieb klären, bevor er einen Telefonagenten einsetzt?

Aus unserer Sicht zuerst, wo die Gespräche verarbeitet werden und ob sie gespeichert werden; laut Mistral lässt sich das bei Voxtral 3 festlegen. Zu den Minutenpreisen kommen Telefonanschluss und Einrichtung, dazu die Pflege der Gesprächsabläufe. Wir würden mit einem eng umrissenen Anliegen wie der Terminabfrage beginnen und testen, wie gut Erkennung und Stimmen am deutschen Telefon funktionieren, denn dazu belegt keine Quelle etwas.

Welches Anliegen am Telefon könnte im Betrieb als Erstes ein Sprachagent übernehmen?

Im kostenlosen KI-Schnupperkurs zeigen wir in fünf Lektionen, wie kleine und mittlere Firmen KI im Alltag einsetzen. Tiefer und praxisnah geht es im Vollkurs Digitalisierungsmanager, DEKRA-zertifiziert und förderfähig über den Bildungsgutschein.

Zuletzt aktualisiert: 21. Oktober 2026. Stand der Recherche: 21. Oktober 2026.