Mistral AI 正式发布其首款文本转语音模型 Voxtral TTS。该模型参数量为 40 亿（4B），基于 Ministral 3B 构建，支持英语、法语、德语等 9 种语言及多种方言，具备低延迟和情感表达能力。
Voxtral TTS 支持仅需 3 秒参考音频的语音适配，并具备零样本跨语言语音适配能力。在性能方面，人工评估显示其自然度优于 ElevenLabs Flash v2.5，且与 ElevenLabs v3 质量相当。模型延迟低至 70 毫秒，原生支持生成长达两分钟的音频。
目前，Voxtral TTS 已通过 API 开放使用，定价为每 1000 字符 0.016 美元。用户可在 Mistral Studio 和 Le Chat 中进行体验。此外，包含多个参考语音的模型权重已在 Hugging Face 上以 CC BY NC 4.0 许可证开源。