Mục lục
Ngày 20/10/2026, Mistral AI ra mắt Voxtral 3, bộ mô hình giọng nói gồm chép lời, đọc văn bản và bộ công cụ dựng tác tử thoại, theo TestingCatalog. Điểm đáng chú ý của Voxtral 3 là giá chép lời theo lô chỉ từ 0,0035 USD mỗi phút và có thể triển khai trên hạ tầng riêng của doanh nghiệp.
Với người làm nội dung, chủ shop hay đội chăm sóc khách hàng ở Việt Nam, đây là tín hiệu rằng mảng giọng nói AI đang rẻ đi nhanh. Trước đây muốn có tổng đài tự động hay bản chép lời cuộc họp, bạn phải trả khá nhiều cho các dịch vụ đóng. Giờ một nhà cung cấp châu Âu đưa ra bảng giá thấp hơn, kèm lựa chọn tự chạy mô hình để giữ dữ liệu âm thanh trong nhà.
Voxtral 3 gồm những gì, giá bao nhiêu và đáng thử ở đâu
Bộ Voxtral 3 chia thành bốn phần. Voxtral Small Transcribe 3 chép lời hơn 50 ngôn ngữ, có nhận diện người nói, gợi ý thuật ngữ chuyên ngành và phát hiện lúc người nói dứt lời. Voxtral Mini Transcribe 3 là mô hình 4 tỷ tham số, nhẹ hơn và rẻ hơn. Voxtral Mini TTS 3.0 đọc văn bản thành giọng nói cho hơn 35 ngôn ngữ và hơn 50 phương ngữ. Cuối cùng, Pro Voice cho phép tái tạo phong cách giọng của một người từ khoảng 30 phút âm thanh mẫu.
Về giá, theo Mistral, Mini Transcribe 3 tính 0,0035 USD mỗi phút khi chạy theo lô và 0,008 USD mỗi phút khi chạy thời gian thực với độ trễ dưới 500 mili giây. Mini TTS 3.0 giá 13 USD cho một triệu ký tự. Có nguồn tin khác nêu mức giá thấp hơn nữa, nên bạn nên đối chiếu bảng giá chính thức trước khi tính chi phí cho dự án.
Về chất lượng, Mistral cho biết Small Transcribe 3 đạt tỷ lệ lỗi 4,1% và 4,0% trên bảng đo FLEURS 45 ngôn ngữ, ngang Microsoft AI Transcribe 2. Artificial Analysis xếp mô hình này hạng ba trên bảng xếp hạng chuyển giọng nói thành văn bản. Đây là số liệu do hãng công bố, chưa phải kiểm chứng độc lập cho tiếng Việt, vì vậy hãy thử với chính file ghi âm của bạn trước khi tin hoàn toàn.
SDK tác tử giọng nói hoạt động ra sao và ai nên bắt đầu
Phần gây chú ý nhất là Voice Agent SDK xây trên LiveKit. SDK nối chép lời, mô hình suy luận, gọi công cụ và sinh giọng nói thành một luồng thời gian thực. Mô hình ngôn ngữ như Mistral Small lo phần suy luận, mỗi lượt đáp được giữ dưới một giây, và tác tử tự ngừng nói khi người gọi ngắt lời. Tác tử có thể kết nối qua SIP hoặc WebRTC để xác minh danh tính, tra hóa đơn, đặt lịch hẹn hoặc tìm kiếm web.
Vì mỗi khâu tách rời, bạn có thể đổi mô hình ngôn ngữ, đổi giọng đọc hoặc đổi ngôn ngữ mà không phải dựng lại toàn bộ tác tử. Mistral Studio cũng có sân thử để nghe thử chép lời, đọc văn bản và nhân bản giọng trước khi triển khai. Dịch vụ có sẵn qua các điểm truy cập API ở châu Âu, Mỹ và toàn cầu, đồng thời cho phép chạy trên đám mây riêng.
Lời khuyên thực tế: nếu bạn đang làm tổng đài nhỏ, hãy so sánh với cách dựng bằng dịch vụ khác trong bài ElevenLabs Voice Agent 2026, đo chi phí mỗi phút và độ chính xác tiếng Việt rồi mới chọn. Nếu chỉ cần chép lời cuộc họp, bản Mini theo lô là điểm khởi đầu rẻ nhất. Riêng tính năng nhân bản giọng, cần có sự đồng ý rõ ràng của người được lấy mẫu. Bạn cũng có thể xem thêm các công cụ khác trong cẩm nang công cụ AI 2026 và cách ứng dụng cho bán hàng ở AI bán hàng cho chủ shop.
Nhìn rộng hơn, Voxtral 3 cho thấy cuộc đua giọng nói AI chuyển từ “ai nghe hay hơn” sang “ai rẻ hơn và dễ tích hợp hơn”. Với người dùng Việt, câu hỏi quyết định vẫn là chất lượng tiếng Việt thực tế, điều mà chỉ thử nghiệm của chính bạn mới trả lời được.
Nguồn: TestingCatalog; NoCode.mba AI Release Tracker.
Xem thêm: Bán giọng AI với ElevenLabs.
