미스트랄 AI가 실시간 음성 에이전트용 Voxtral 3 모델군을 공개했다

미스트랄 AI가 실시간 음성 에이전트를 겨냥한 모델 패밀리 Voxtral 3를 내놨다. 음성을 텍스트로 바꾸는 모델, 텍스트를 음성으로 읽어 주는 모델, 그리고 이 둘을 에이전트로 묶어 돌리는 SDK까지 한 세트로 제공하는 구성이다. 개별 모델을 골라 조합하는 대신, 음성 대화에 필요한 부품을 한 공급자에게서 받겠다는 설계다.

구성은 세 갈래다. 전사 쪽은 Voxtral Small Transcribe 3, 음성 합성 쪽은 Voxtral Mini TTS 3이며, 여기에 LiveKit을 기반으로 만든 voice agent SDK가 붙는다. SDK가 두 모델을 호출하는 접착제 역할을 하면서 전체 흐름을 하나의 스트리밍 파이프라인으로 엮는다.

핵심은 지연을 줄이는 구조다. 사용자의 말을 듣고, 내용을 해석하고, 필요하면 외부 도구를 호출하고, 다시 말로 응답하는 단계가 끊기지 않고 이어진다. 전사 모델은 50개 이상 언어를 처리하고, TTS는 35개 이상 언어와 50개 이상 방언을 지원하며 감정 표현을 상황에 맞게 조정한다.

에이전트가 대화 도중 외부 시스템에 접근할 수 있다는 점도 눈에 띈다. 통화 중에 예약을 잡거나 인보이스 내역을 조회하는 식의 작업을 말로 주고받는 흐름 안에서 처리할 수 있다는 설명이다.

배포 방식은 두 갈래로 열어 뒀다. 자체 인프라에 올리거나 EU에 호스팅된 API를 통해 쓸 수 있어, 데이터를 자사 통제 아래 두려는 조직을 겨냥한다. 가격은 전사 기준 분당 0.0035달러부터 시작한다.

이런 제품이 나온 배경에는 음성 에이전트 구현의 구조적 번거로움이 있다. 전사 모델, 대화 모델, 합성 모델을 각각 붙이면 구간마다 지연이 쌓이고 장애 지점도 늘어난다. 최근에는 이 단계들을 하나의 스트리밍 처리로 합치는 방향이 힘을 얻고 있고, Voxtral 3도 그 흐름에 서 있다.

개발자 입장에서 달라지는 것은 조립 비용이다. LiveKit 기반이라는 점은 이미 WebRTC 계열 실시간 통신 스택을 운영하는 팀이라면 연결 지점이 익숙하다는 뜻이고, 도구 호출이 대화 파이프라인 안에 들어오면서 별도 오케스트레이션 코드를 덜어낼 여지가 생긴다. 자체 호스팅과 EU 리전 API 중에서 데이터 위치 요건에 맞춰 고를 수 있는 것도 선택지다.

다만 원문이 제시한 가격은 전사 분당 단가이며, TTS나 에이전트 실행에 대한 요금은 제시되지 않았다. 실제 비용은 문서를 확인해야 하고, 언어·방언 수나 감정 적응 같은 항목도 도입 전에 자체 음성 데이터로 검증하는 편이 안전하다.