Voxtral 3: eine Stimme, die in Europa bleiben kann

Am 20. Oktober 2026 hat Mistral Voxtral 3 vorgestellt: eine Modellfamilie, die Sprache in Text verwandelt und Text in Sprache, dazu ein SDK für Voice-Agenten. Laufen soll das Ganze über Mistrals API in Europa oder auf eigener Infrastruktur. Stimmen klonen gehört auch dazu.

Stimmen sind bei uns längst Teil der Produktion, und sie entstehen heute in der Cloud. Bei Rapido, einem Spec Ad für Electrolux, spricht auf Deutsch ein echter Sprecher; die schwedische Fassung haben wir mit ElevenLabs gedubbt. Bei 21 ZUAN, einem Spec Ad für Seagull 1963, kommt die Stimme der Grossmutter auf Englisch und Chinesisch aus ElevenLabs. Und bei When Everything Crumbles für die Universität Bern ist die Stimme des Direktors mit ElevenLabs aus seinen eigenen Aufnahmen geklont, mit seinem Einverständnis.

Bei einer erfundenen Figur ist die Frage, wo eine Stimme gerechnet wird, eher technisch. Bei einer echten Person nicht mehr. Darum schauen wir uns Voxtral 3 genau an. Eingesetzt oder getestet haben wir es noch nicht.

Was wirklich neu ist

Mistral bringt vier Modelle unter einem Namen:

• Transkription: Voxtral Small Transcribe 3 und Voxtral Mini Transcribe 3 (laut Mistral 4 Milliarden Parameter) für Dateien, mit Sprechertrennung und Kontext für Fachbegriffe. 50 Sprachen, darunter die 24 Amtssprachen der EU.
• Echtzeit: Voxtral Mini Transcribe Realtime 3, laut Mistral mit weniger als 500 Millisekunden Verzögerung und mit Erkennung, wann jemand fertig gesprochen hat.
• Sprachausgabe: Voxtral Mini TTS 3 mit 35 Sprachen und über 50 Dialekten, steuerbar über Anweisungen zu Emotion, Tempo und Betonung.
• Voice-Agent-SDK: baut auf LiveKit auf, verbindet Zuhören, Denken und Sprechen in einer Pipeline und hängt sich per SIP ans Telefon oder per WebRTC an Browser und Apps. Pro Gesprächswechsel nennt Mistral weniger als eine Sekunde.

Neu ist vor allem die Kombination: ein Anbieter für den ganzen Weg von der Stimme rein bis zur Stimme raus, mit EU-Hosting als Standardangebot und Selbstbetrieb als Option. Den ganzen Stack on-premises oder in einer Private Cloud gibts laut Ankündigung über Mistrals Team. Wichtig: Neben dem europäischen Endpunkt nennt Mistral auch US- und globale Endpunkte. Europa ist also eine Wahl, keine Automatik.

Die Benchmarks in der Ankündigung stammen von Mistral selbst, teils mit einem Sprachmodell als Richter. Die lassen wir stehen, wo sie stehen.

Was das für eine Produktion heisst

Beim Klonen beschreibt Mistral zwei Wege. Zero-Shot klont aus einer kurzen Aufnahme. Für die professionelle Variante («Pro Voice») empfiehlt die Doku 30 Minuten bis drei Stunden saubere Aufnahmen mit nur einer Stimme: ruhiger Raum, gleiches Mikrofon, verschiedene Emotionen. Eine geklonte Stimme ist laut Doku nicht an die Sprache der Aufnahme gebunden. Genau das ist der Fall, den wir bei Fassungen in anderen Sprachen haben.

Die Preise laut Mistral: Sprachausgabe 13 Dollar pro Million Zeichen, Transkription 0,0035 bis 0,008 Dollar pro Minute, der Voice-Agent 0,04 Dollar pro Minute mit Mistral Small 4 als Denkmodell. Für einen Werbefilm ist das kein Kostenfaktor. Für einen Agenten, der den ganzen Tag Anrufe annimmt, schon eher.

Was das für eine Marke heisst

Hier wirds spannend. Laut Mistral können Organisationen steuern, wo Audio verarbeitet wird, wie Daten behandelt werden und ob Gespräche gespeichert bleiben. Gespeicherte Stimmen haben laut Doku eine Aufbewahrungsfrist, standardmässig 30 Tage, einstellbar bis 365 Tage.

Zum Vergleich, was ElevenLabs dokumentiert: Kundendaten liegen standardmässig in den USA. Speicherung in der EU gibts als Funktion für Enterprise-Kunden, die Verarbeitung kann laut Doku trotzdem ausserhalb stattfinden, ausser mit Zero Retention Mode über die API.

Beim Einverständnis ist es umgekehrt. ElevenLabs erlaubt das professionelle Klonen laut Doku nur für die eigene Stimme und verlangt eine Verifizierung. Mistrals Klon-Doku beschreibt keinen solchen Schritt. Die Nutzungsrichtlinie verbietet aber, die Stimme einer anderen Person ohne deren vorherige Zustimmung zu verwenden.

Heisst: Die Einwilligung liegt bei dir, nicht beim Werkzeug. Ehrlich gesagt der wichtigste Punkt in diesem Beitrag.

Wann lohnt sich also eine Stimme, die in Europa bleibt oder selbst betrieben wird? Wenn sie einer echten Person gehört, etwa der Chefin, einem Sprecher oder einem Direktor. Wenn das Material vor dem Launch vertraulich ist. Oder wenn ein Voice-Agent mit Kundinnen und Kunden redet und dabei Personendaten hört. Bei einer erfundenen Figur in einem Spec Ad zählt das weniger. Rechtlich beurteilen muss das im Einzelfall eine Fachperson; wir können sagen, welche Fragen wir vor einem Projekt stellen.

An der Kennzeichnung ändert das nichts. Auf unseren Case-Seiten steht, welche Stimme generiert ist und welche von Menschen kommt, egal mit welchem Werkzeug sie entstanden ist.

Unsere Einschätzung und die Grenzen

Voxtral 3 ist ein ernstzunehmendes europäisches Angebot für den ganzen Sprachweg, und das EU-Hosting nimmt einer Frage die Schärfe, die bei echten Stimmen immer mitläuft. Offene Gewichte nennt Mistral für Voxtral 3 aber nirgends: In der Modellübersicht stehen alle vier Modelle als «Premier», während das ältere Voxtral Small von 2025 als «Apache 2.0» markiert ist. Selbst betreiben heisst hier also: mit Mistral reden, nicht einfach Dateien herunterladen.

Offen bleibt, wie die Stimmen in einem echten Film klingen: auf Schwedisch, auf Chinesisch, mit Emotion über eine ganze Szene. Und ob ein Klon aus 30 Minuten an das herankommt, was wir heute liefern. Das wissen wir erst nach einem eigenen Test, und den haben wir noch nicht gemacht.

Quellen

• Mistral AI: Voxtral 3, Ankündigung vom 20. Oktober 2026
• Mistral Docs: Voxtral TTS 3, Modellseite
• Mistral Docs: Voice cloning
• Mistral Docs: Languages
• Mistral Docs: Models, Übersicht mit Lizenzangaben
• Mistral AI: Usage Policy, gültig ab 11. Juni 2026
• ElevenLabs Docs: Data residency
• ElevenLabs Docs: Professional Voice Cloning
• Miraki: Rapido
• Miraki: 21 ZUAN
• Miraki: When Everything Crumbles