Mistral AI fordert OpenAI und Google mit neuen Audio-Modellen namens „Voxtral“
Das französische KI-Startup Mistral AI betritt den Audiomarkt mit der Veröffentlichung seiner ersten Familie von Sprachmodellen namens Voxtral. Die unter der Apache 2.0-Lizenz veröffentlichten Modelle zielen darauf ab, eine Alternative zu geschlossenen, proprietären Systemen zu bieten. „Sprache war die erste Schnittstelle der Menschheit – lange vor dem Schreiben oder Tippen ermöglichte sie uns, Ideen auszutauschen, Arbeit zu koordinieren und Beziehungen aufzubauen“, erklärt das Unternehmen in seiner Ankündigung.
Mistral positioniert Voxtral als ersten offenen Ansatz, der „wirklich nutzbare Sprachintelligenz in der Produktion“ ermöglicht. Die Modelle überbrücken laut Unternehmen die bisherige Lücke zwischen offenen Systemen mit hohen Fehlerraten und geschlossenen, aber teureren Lösungen. „Voxtral bietet modernste Genauigkeit und natives semantisches Verständnis im offenen Bereich zu weniger als der Hälfte des Preises vergleichbarer APIs“, betont Mistral. Die Modelle unterstützen mehrere Sprachen, darunter Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch.
Technische Details und Versionen
Mistral bietet zwei Hauptvarianten an: Voxtral Small mit 24 Milliarden Parametern für produktionsreife Anwendungen und Voxtral Mini mit 3 Milliarden Parametern für lokale und Edge-Deployments. Zusätzlich gibt es eine optimierte, kostengünstige API-Version namens Voxtral Mini Transcribe speziell für Transkriptionsanwendungen. Die Modelle können Audio bis zu 30 Minuten transkribieren und dank ihres LLM-Backbones Mistral Small 3.1 bis zu 40 Minuten verstehen. Sie ermöglichen direkte Fragen zum Audioinhalt, Zusammenfassungen und die Umwandlung von Sprachbefehlen in Systemaktionen.
In Benchmarks übertrifft Voxtral laut Mistral das führende Open-Source-Modell Whisper large-v3 und konkurriert mit GPT-4o-mini und Gemini 2.5 Flash. Bei der Sprachtranskription erreicht es Spitzenleistungen bei englischen Kurzformen und im Mozilla Common Voice-Test. Voxtral Small zeigt besonders starke Leistungen bei der Sprachübersetzung und behält gleichzeitig die Textfähigkeiten seines Sprachmodell-Backbones bei.
Verfügbarkeit und Preisgestaltung
Nutzer können Voxtral kostenlos ausprobieren, indem sie die Modelle von Hugging Face herunterladen oder in Mistrals Chatbot Le Chat testen. „Die Integration der API in Anwendungen beginnt bei 0,001 Dollar pro Minute“, erklärt das Unternehmen und macht damit hochwertige Transkription und Sprachverständnis auch bei großem Umfang erschwinglich. Für Unternehmen mit höheren Sicherheits-, Skalierungs- oder domänenspezifischen Anforderungen bietet Mistral zusätzliche Funktionen wie private Bereitstellung, domänenspezifische Feinabstimmung und erweiterte Kontextunterstützung an.
Die Veröffentlichung von Voxtral folgt einen Monat nach der Ankündigung von Magistral, Mistrals erster Familie von Reasoning-Modellen. Das Unternehmen, eines der führenden KI-Unternehmen in Europa und bekannt für seine Befürwortung offener KI-Modelle, plant für die kommenden Monate weitere Funktionen wie Sprechersegmentierung, Audio-Markups für Alter und Emotionen, wortgenaue Zeitstempel und Erkennung von Nicht-Sprachaudio. Laut Medienberichten verhandelt Mistral derzeit über eine Finanzierungsrunde von bis zu einer Milliarde Dollar mit Investoren wie dem MGX-Fonds aus Abu Dhabi.
