Mistral AI 发布其首款文本转语音模型 Voxtral TTS。该模型参数量为 4B，基于 Ministral 3B 构建，采用 Transformer 架构和自回归流匹配技术，支持英语、法语、德语等 9 种语言及多种方言的真实、富有情感的语音生成。
Voxtral TTS 具备极低延迟，模型延迟仅为 70ms。该模型支持仅需 3 秒参考音频的零样本声音适配，甚至能实现零样本跨语言声音克隆（如用法语提示音生成带法语口音的英语）。人类评估显示，其自然度优于 ElevenLabs Flash v2.5，且质量与 ElevenLabs v3 持平。
目前，Voxtral TTS 已通过 API 开放使用，定价为每 1k 字符 0.016 美元，用户也可在 Mistral Studio 和 Le Chat 中进行测试。此外，包含多个参考声音的模型权重已在 Hugging Face 上以 CC BY NC 4.0 许可证开源。