Voxtral 3 của Mistral: bộ công cụ trợ lý giọng nói, nhận dạng 50 ngôn ngữ, có tiếng Việt

Ngày 20/10/2026, Mistral AI (Pháp) công bố Voxtral 3. Đây là bộ mô hình chuyển giọng nói thành văn bản và đọc văn bản thành giọng nói, đi kèm một SDK để dựng trợ lý giọng nói biết nghe, suy luận, gọi công cụ và trả lời ngay trong cuộc gọi. Bạn có thể dùng ngay qua API của Mistral (máy chủ đặt tại châu Âu) hoặc tự cài trên hạ tầng riêng.

Voxtral 3 gồm những gì

Theo thông báo của Mistral, Voxtral 3 có các thành phần sau:

• Voxtral Small Transcribe 3: mô hình chính để chuyển giọng nói thành chữ, hỗ trợ 50 ngôn ngữ. Mô hình tách được ai nói câu nào, nhận danh sách từ khoá để nghe đúng thuật ngữ chuyên ngành, và nhận biết lúc người nói dừng để trợ lý trả lời không bị chậm.
• Voxtral Mini Transcribe 3: bản nhỏ hơn, khoảng 4 tỷ tham số, chạy nhanh hơn và rẻ hơn.
• Voxtral Realtime Transcribe 3: chuyển giọng nói thành chữ theo thời gian thực, độ trễ dưới 500 ms, hỗ trợ hơn 35 ngôn ngữ.
• Voxtral Mini TTS 3: đọc văn bản thành giọng nói, hỗ trợ hơn 35 ngôn ngữ và hơn 50 phương ngữ. Giọng đọc tự đổi cảm xúc, tốc độ và chỗ nhấn theo ngữ cảnh. Lập trình viên cũng có thể tự chỉnh các yếu tố này.
• Pro Voice: tạo lại giọng của một người, giữ cả chất giọng và cách biểu cảm khi nói nhiều thứ tiếng, chỉ cần khoảng 30 phút ghi âm.
• SDK trợ lý giọng nói: gom tất cả thành một luồng duy nhất. Trợ lý có thể tra thông tin, kết nối hệ thống của doanh nghiệp và làm xong việc ngay trong cuộc gọi điện thoại hoặc trên web.

Có hỗ trợ tiếng Việt không?

Trong biểu đồ so sánh độ chính xác chuyển giọng nói thành chữ trên 45 ngôn ngữ mà Mistral công bố, tiếng Việt có tên trong danh sách. Tuy vậy, tiếng Việt không có trong danh sách 35 ngôn ngữ của bài so sánh bản thời gian thực. Thông báo cũng không liệt kê cụ thể các ngôn ngữ mà giọng đọc TTS hỗ trợ. Nếu định làm trợ lý nói tiếng Việt, bạn nên xem trang tài liệu của từng mô hình trước.

Thông báo không nói về giá bằng tiền Việt hay cách thanh toán tại Việt Nam. Muốn biết chi phí, hãy xem bảng giá trên trang của hãng.

So với đối thủ thế nào

Các số liệu dưới đây do Mistral tự công bố. Hãng nói bản Small chuyển giọng nói thành chữ chính xác hơn Whisper (OpenAI), Scribe v2 (ElevenLabs) và Gemini 3.5 Transcribe, cả khi nhận dạng nhiều ngôn ngữ lẫn khi tách người nói. Với giọng đọc, Mistral cho biết chi phí chạy thấp hơn các sản phẩm tương tự của OpenAI, Deepgram, ElevenLabs và Gemini Flash.

Điểm mới đáng chú ý nhất là SDK. Trước đây, muốn làm trợ lý giọng nói, lập trình viên phải tự ghép phần nghe, mô hình ngôn ngữ, công cụ và phần đọc. Giờ Mistral gói sẵn các bước này thành một luồng.

Ai nên quan tâm

• Doanh nghiệp làm tổng đài, chăm sóc khách hàng, trợ lý ảo: đây đúng là nhóm Mistral nhắm tới.
• Đơn vị cần giữ dữ liệu cuộc gọi trong nội bộ: có thể tự cài trên máy chủ riêng và tự quyết có lưu file ghi âm hay không.
• Người cần ghi chép cuộc họp, phỏng vấn có nhiều thuật ngữ: tính năng nhận từ khoá giúp nghe đúng tên riêng, tên sản phẩm mà không phải huấn luyện lại mô hình.

Đây là công cụ cho lập trình viên, không phải ứng dụng bấm là dùng được ngay. Người dùng phổ thông chưa có giao diện để thử trực tiếp.

Bắt đầu dùng thế nào

Mistral hướng dẫn tạo khoá API trong trang quản trị console.mistral.ai, rồi đọc phần âm thanh trong tài liệu tại docs.mistral.ai. Ở đó có trang riêng cho từng mô hình.

Cộng đồng Hacker News nói gì

Trên Hacker News, nhiều người tiếc vì mô hình có vẻ không mở. Họ muốn có bản nhỏ chạy được trên máy cá nhân để dữ liệu giọng nói không bị gửi ra ngoài. Có người nghi ngờ đoạn hội thoại gần như không có độ trễ trong video demo. Một số khác đánh giá cao tính năng nhận từ khoá có sẵn, giúp triển khai giải pháp riêng nhanh hơn.

Câu hỏi thường gặp

Voxtral 3 có nhận dạng được tiếng Việt không?

Tiếng Việt có trong danh sách 45 ngôn ngữ của bài so sánh chuyển giọng nói thành chữ mà Mistral công bố. Riêng bản thời gian thực, thông báo không liệt kê tiếng Việt.

Có tự cài Voxtral 3 trên máy chủ riêng được không?

Được. Mistral cho dùng qua API đặt tại châu Âu hoặc tự triển khai trên hạ tầng của doanh nghiệp.

Pro Voice cần bao nhiêu dữ liệu giọng?

Theo Mistral, cần khoảng 30 phút ghi âm của người nói.

Người dùng phổ thông có dùng được không?

Voxtral 3 dành cho lập trình viên, dùng qua API và SDK. Thông báo không nhắc tới ứng dụng cho người dùng cuối.