法国人工智能公司 Mistral 周四发布开源文本转语音模型 Voxtral TTS，支持九种语言（英、法、德、西、荷、葡、意、印地语及阿拉伯语）。该模型适用于语音 AI 助手、客户服务等场景，使 Mistral 直接与 ElevenLabs、Deepgram 和 OpenAI 展开竞争。
Mistral AI 科学运营副总裁 Pierre Stock 表示，Voxtral TTS 专为智能手表、手机、笔记本等边缘设备设计，成本仅为市场同类产品的几分之一，性能却处于行业领先水平。该模型基于 Ministral 3B，仅需不到五秒样本即可适应自定义语音，精准捕捉口音、语调、音高及语流不规则性；同时支持跨语言无缝切换且不丢失语音特征，适用于配音或实时翻译，发音自然逼真。
Voxtral TTS 专为实时性能优化：首音时间（TTFA）仅 90 毫秒（针对 500 字符的 10 秒样本），实时因子（RTF）达 6x，即约 1.6 秒可渲染 10 秒音频。结合此前推出的转录模型，Mistral 旨在为企业客户提供全套语音产品，并计划打造支持音频、文本、图片多模态输入输出的端到端平台，以获取更丰富信息。其开源与可定制特性，将助力企业按需调整，从而优先采用 Mistral 语音模型。