미스트랄 복스트랄 3(Voxtral 3), 음성 에이전트 SDK와 모델 미리보기 공개

발표된 음성 에이전트 SDK는 라이브킷(LiveKit)을 기반으로 음성 입력과 언어 모델의 판단, 음성 출력을 연결한다. 미스트랄은 전화 연결과 웹·앱 통화를 지원하고, 대화 중 함수 호출이나 정보 검색을 결합할 수 있다고 설명한다. 통화 시연에 나온 예약 등은 회사가 공개한 예시이며, 특정 고객의 실제 도입 성과나 처리 성공률로 제시된 자료는 아니다.

제품을 구성하는 층도 분리돼 있다. 음성 인식 모델이 사용자의 발화를 받고, 별도 추론 모델이 작업을 판단하며, 음성 합성 모델이 답을 읽는다. 이 구조는 어느 한 모델의 품질만으로 전체 상담 품질을 설명할 수 없음을 뜻한다. 전사가 정확해도 외부 시스템이 늦거나 작업 판단이 틀리면 대화의 결과는 달라지므로, 발표된 음성 기능과 업무 완결성을 같은 것으로 볼 수 없다.

공식 오디오 안내는 세 가지 전사 모델과 두 가지 음성 합성 모델을 구분한다. 녹음 파일용 미니, 실시간용 미니, 더 높은 품질을 지향하는 스몰이 전사를 맡고, 일반·실시간 TTS가 발성을 담당한다. 파일을 한꺼번에 처리하는 방식과 대화 중 연속으로 처리하는 방식은 별도 선택지다. 음성 모델군의 이름 하나만으로 입력 방식과 지연 조건까지 결정되지는 않는다.

실시간 전사에는 세션별로 지연을 정하는 설정이 있다. 오디오 안내는 80~1,200밀리초 또는 2,400밀리초의 스트리밍 지연을 제시한다. 이 값은 전사 단계의 설정이며 상대방의 발화 종료, 언어 모델의 판단과 음성 생성까지 합친 전체 통화 응답 시간은 아니다. 낮은 지연을 강조한 발표를 읽을 때도 어느 처리 구간을 측정한 것인지 구별해야 한다.

특히 스몰 전사 모델의 범위는 문서 사이에 차이가 있다. 개별 모델 소개에는 번역, 음성 질의응답, 요약, 함수 호출이 언급돼 있지만, 오디오 종합 문서는 출시 시점에 전사만 제공한다고 명시한다. 현재 기능을 판단할 때에는 이 더 좁은 안내를 기준으로 보아야 한다. 제품 소개에 나열된 기능을 모두 즉시 사용 가능한 것으로 옮기면 출시 상태를 과장하게 된다.

요금은 처리 형태에 따라 구분된다. 공식 모델 문서는 스몰 전사를 오디오 1분당 0.004달러, TTS 3를 텍스트 100만 자당 13달러로 표시한다. 분당 음성 처리와 문자당 음성 생성은 기준이 달라, 한쪽 단가만으로 전체 통화비를 계산할 수 없다. 여기에 어떤 추론 모델과 음성 에이전트 상품을 쓰는지도 비용을 가르는 조건이다.

발표문의 음성 에이전트 API 가격은 미스트랄 스몰 4(Mistral Small 4)를 추론에 쓰면 분당 0.04달러, 다른 추론 모델을 쓰면 분당 0.08달러다. 자체 시설이나 사설 클라우드에 전체 구성을 배치하려면 회사에 문의하도록 안내한다. 자체 배포 가능하다는 설명을 무료 가중치 공개나 무조건적인 자가 설치 제공으로 해석할 근거는 이 발표에 없다.

음성 합성 문서는 미리 설정된 목소리와 복제한 목소리, 감정·속도 제어를 구분해 소개한다. 오디오 안내에는 다섯 가지 출력 형식과 34개 감정 태그, 두 개 속도 태그가 기재돼 있다. 이는 개발자가 조절할 항목이 늘었다는 정보이며, 모든 문장의 발음·감정 표현이 정확해진다는 검증은 아니다. 발표문에 실린 경쟁 제품 비교 역시 회사가 제시한 평가로 읽어야 한다.

가장 주의할 부분은 언어 지원 표기다. 발표 자료의 확대 범위와 모델 카드의 숫자가 달라, 한국어를 포함한 개별 언어의 모든 생성 기능이 동일 조건으로 제공된다고 단정하기 어렵다. 이번 변화는 음성 에이전트를 구성할 모델과 도구의 공개 미리보기가 시작됐다는 데 있다. 기능표가 맞지 않는 부분까지 출시 완료 사실로 확대하지 않는 것이 현재 확인 가능한 보도의 경계다.