Mistral AI가 2026년 10월 20일 Voxtral 3를 공개했다. 이번 발표는 단순한 음성 모델 업데이트가 아니라, 듣기·생각하기·말하기를 하나의 실시간 파이프라인으로 묶는 음성 에이전트 SDK를 함께 내놓은 점이 핵심이다. 개발자와 기업이 음성 기반 에이전트를 직접 구축할 때 어떤 선택지가 생기는지, 가격과 배포 조건은 어떻게 되는지 정리한다.
• 공식 발표일: 2026년 10월 20일, 즉시 API와 자체 배포로 이용 가능.
• 구성: 전사 모델 3종 + 음성 합성 모델 + LiveKit 기반 음성 에이전트 SDK.
• 특징: 50개 이상 언어 전사, 35개 이상 언어 합성, 500ms 이하 실시간 지연, EU 호스팅·자체 인프라 배포 지원.
• 가격: 전사 분당 0.0035~0.008달러, 합성 100만 문자당 13달러, 에이전트 분당 0.04~0.08달러.
• 주의: 성능 우위 주장은 Mistral 자체 벤치마크 기준이며, 독립 검증은 아직 제한적이다.
Voxtral 3가 기존 음성 AI와 무엇이 다른가
지금까지 음성 AI는 대체로 전사(speech-to-text)나 합성(text-to-speech) 중 한쪽에 특화된 서비스가 많았다. 에이전트를 만들려면 별도의 추론 모델과 툴 호출 로직을 개발자가 직접 연결해야 했다. Voxtral 3는 이 과정을 SDK로 묶어 제공한다는 점에서 차이가 있다.
Mistral 공식 발표에 따르면, 음성 에이전트 SDK는 Voxtral Mini Transcribe Realtime 3가 음성을 듣고 발화 종료를 감지한 뒤, 추론 모델(기본 Mistral Small 4 또는 다른 모델)이 생각하고 도구를 호출하며, Voxtral Speech 3가 응답을 생성하는 구조다. 각 단계는 모듈화되어 있어 LLM, 음성, 언어를 독립적으로 바꿀 수 있다.
전사 모델 → 음성 합성 → 에이전트 SDK로 이어지는 구성
포함 모델과 주요 사양
Voxtral 3 패밀리는 크게 전사와 합성으로 나뉜다.
전사 모델
- Voxtral Small Transcribe 3: 다국어 전사, 화자 분리(diarization), 컨텍스트 바이어싱에서 높은 성능을 주장. 50개 이상 언어 지원. 가격 분당 0.004달러.
- Voxtral Mini Transcribe 3: 4B 파라미터. 배치 전사에 적합. 분당 0.0035달러.
- Voxtral Mini Transcribe Realtime 3: 실시간용. 500ms 이하 지연, 발화 종료 감지 포함. 35개 이상 언어. 분당 0.008달러.
음성 합성 모델
Voxtral Mini TTS 3(또는 Speech 3)는 35개 이상 언어와 50개 이상 방언을 지원한다. 대화 맥락에서 감정·속도·강조를 자동으로 반영하거나 태그로 제어할 수 있으며, 30분 분량의 오디오로 전문 음성 적응(Pro Voice)도 제공한다. 가격은 100만 문자당 13달러로, Mistral은 OpenAI TTS-1, Deepgram, ElevenLabs Flash, Gemini Flash보다 저렴하다고 밝혔다.
듣기 → 생각하기 → 말하기 실시간 파이프라인
음성 에이전트 SDK의 실제 동작
SDK는 LiveKit 기반으로 구현됐다. 브라우저·앱의 WebRTC, SIP 전화, 기존 콜센터·IVR 시스템과 연결할 수 있다. 한 턴의 전체 처리가 1초 이내에 끝나고 중간 끼어들기(interruption)도 지원한다고 한다.
사용 예로 고객 상담, 예약 확인, 내부 시스템 조회 후 응답 등을 들 수 있다. 추론 단계는 Mistral Small 4를 쓰면 분당 0.04달러, 다른 모델을 쓰면 0.08달러다. 개발자는 자신의 도메인 도구(검색, 데이터베이스, CRM 등)를 함수 호출로 연결할 수 있다.
가격과 배포 옵션 비교
| 항목 | 가격 | 비고 |
|---|---|---|
| Mini Transcribe 3 (배치) | $0.0035 / 분 | 4B |
| Small Transcribe 3 | $0.0040 / 분 | 고정밀 다국어 |
| Mini Transcribe Realtime 3 | $0.008 / 분 | 500ms 이하 |
| Speech 3 | $13 / 100만 문자 | 배치·실시간 동일 |
| Voice Agent (Small 4) | $0.04 / 분 | 추론 포함 |
| Voice Agent (기타 모델) | $0.08 / 분 | 모델 자유 선택 |
배포는 Mistral EU 호스팅 API를 기본으로 하며, US·글로벌 엔드포인트도 제공한다. 데이터 주권이 중요한 경우 자체 인프라에 배포할 수 있다. 유럽 기업이나 규제 환경에서 이 점이 실질적인 선택 기준으로 작용할 수 있다.
필요한 경우: 다국어 고객 상담·예약 에이전트를 직접 구축하려는 팀, 유럽 데이터 레지던시를 요구하는 조직, 기존 콜센터 시스템과 연동해야 하는 개발자, 저비용 실시간 전사가 필요한 경우.
굳이 필요 없는 경우: 이미 ElevenLabs나 OpenAI 음성 API로 충분하고 추가 통합 비용이 부담되는 경우, 단순 영어 전사가 주 용도이고 독립 벤치마크 검증을 기다리는 경우, 비개발 사용자가 바로 쓸 수 있는 완성 앱을 찾는 경우.
벤치마크 주장과 확인해야 할 점
Mistral은 Voxtral Small Transcribe 3가 Whisper, Scribe v2, Gemini 3.5 Transcribe 대비 다국어 전사와 화자 분리에서 우위라고 밝혔다. FLEURS 벤치마크 등 자체 평가 결과를 제시했다. 합성 모델도 Voice Code Bench 등에서 경쟁 제품 대비 우수하다고 주장한다.
다만 이는 모두 회사 측 평가다. 외부 독립 평가가 충분히 쌓이기 전까지는 “state-of-the-art” 표현을 사실로 받아들이기보다, 자사 사용 사례에 맞는 샘플 테스트로 확인하는 것이 안전하다. 지연 시간, 화자 분리 정확도, 특정 언어(특히 한국어 포함 저자원 언어) 성능은 실제 데이터로 검증할 필요가 있다.
도입 전 체크리스트
- 지원 언어와 방언이 실제 서비스 대상에 맞는지 확인 (공식 모델 카드 참조).
- 실시간 vs 배치 용도에 따라 모델과 가격 계산.
- 데이터 처리 위치(EU API vs 자체 배포)와 규제 요건 일치 여부.
- 기존 전화·IVR 시스템과의 SIP/WebRTC 연동 테스트 가능 여부.
- Pro Voice 사용 시 30분 오디오 확보와 라이선스 조건 확인.
- 에이전트 분당 비용이 예상 통화량에서 감당 가능한지 시뮬레이션.
공식 발표와 가격 정보는 Mistral Voxtral 3 페이지에서 확인할 수 있다. 출시 직후이므로 세부 제한사항이나 추가 업데이트는 공식 문서와 Studio 플레이그라운드를 통해 직접 확인하는 것이 좋다.
음성 에이전트 시장이 빠르게 확장되는 가운데, Voxtral 3는 유럽 기반 모델로서 가격과 배포 유연성을 강조한 선택지로 자리 잡고 있다. 실제 도입 여부는 자사 워크로드에서의 지연·정확도 테스트와 총소유비용 계산으로 판단하면 된다.