Berita viral hari ini datang dari pasar suara AI yang tiba tiba ramai dalam satu hari. Mistral merilis Voxtral 3 pada 20 Oktober 2026, sehari setelah ElevenLabs meluncurkan Eleven Realtime. Keduanya menjanjikan hal yang sama, yaitu agen suara yang mendengar, menalar, memanggil alat, dan menjawab dalam hitungan detik tanpa perlu merakit banyak komponen sendiri.
Apa yang Dirilis Mistral Lewat Voxtral 3
Voxtral 3 adalah keluarga model pengubah suara ke teks dan teks ke suara, ditambah kit pengembang agen suara yang menyatukan mendengar, berpikir, memanggil alat, dan berbicara dalam satu alur streaming. Mistral menyebut tujuannya adalah percakapan real time multi langkah untuk pusat kontak, asisten virtual, dan kopilot tanpa tangan.
Model transkripsi bernama Voxtral Small Transcribe 3 diklaim paling akurat untuk transkripsi multibahasa, termasuk mengenali siapa berbicara atau diarization. Model ini juga memakai keyphrase untuk memperbaiki akurasi istilah teknis, dan mendeteksi kapan lawan bicara selesai berbicara agar agen bisa menjawab tanpa jeda canggung.
Sisi suara dipegang Voxtral Mini TTS 3 yang mendukung lebih dari 35 bahasa dan 50 dialek. Mistral menyebut model ini bisa menyesuaikan emosi, tempo, dan penekanan sesuai konteks percakapan. Ada juga fitur Pro Voice yang mampu menirukan karakter suara seseorang dari sekitar 30 menit rekaman audio.
Iklan
Paviliun Akademika: punya kost tanpa repot kelola
Paviliun Akademika menghadirkan pilihan investasi kost terkelola di Akademika Townhouse, Gowa. Unit disiapkan untuk disewakan, dengan pengelolaan kawasan yang ditangani pemilik proyek.
Harga dan Pilihan Pemasangan Voxtral 3
Mistral memublikasikan daftar harga yang cukup rinci. Voxtral Mini Transcribe 3 versi batch dibanderol 0,0035 dolar Amerika Serikat per menit, versi realtime 0,008 dolar per menit, dan Voxtral Small Transcribe 3 sebesar 0,0040 dolar per menit. Untuk suara, Voxtral Speech 3 dipatok 13 dolar per satu juta karakter.
Perusahaan juga menekankan sisi kedaulatan data. Voxtral 3 tersedia lewat API yang dihosting di Uni Eropa atau bisa dipasang sendiri di infrastruktur pelanggan. Pilihan itu relevan bagi perusahaan yang tidak ingin rekaman percakapan pelanggan keluar dari lingkungan mereka.
Berita Viral: Eleven Realtime dan Model Suara ke Suara
ElevenLabs mengambil jalan berbeda. Eleven Realtime adalah model speech to speech, artinya suara masuk dan suara keluar tanpa tahap transkripsi terpisah yang harus dirakit sendiri. Perusahaan menyebut produk ini sebagai kelas model baru yang menghapus banyak keputusan teknis yang biasanya membebani pengembang.
Ada dua varian yang diluncurkan. Eleven Realtime v1 Mini ditujukan untuk percakapan alami berbiaya rendah, cocok untuk asisten AI, pengajar, dan karakter interaktif. Eleven Realtime v1 Max ditujukan untuk tugas kompleks seperti dukungan pelanggan, kualifikasi prospek, dan alur kerja bertahap yang menuntut penalaran.
Keduanya mendukung lebih dari 90 bahasa dan bisa memakai lebih dari 17.000 suara di pustaka ElevenLabs. Menurut perusahaan, API mereka kompatibel dengan Realtime API milik OpenAI, sehingga pengembang yang sudah punya integrasi hanya perlu mengganti alamat endpoint dan nama model.
Angka Benchmark yang Diklaim Kedua Perusahaan
ElevenLabs memakai penilaian Artificial Analysis pada tiga tolok ukur publik. Pada Big Bench Audio yang menguji penalaran lewat suara, v1 Max menjawab 98,8 persen pertanyaan dengan benar, sedangkan v1 Mini 75,9 persen. Untuk kecepatan bicara pertama, v1 Max rata rata 0,57 detik dan v1 Mini 0,62 detik.
Pada Full-Duplex-Bench yang menguji jeda, giliran bicara, interupsi, dan respons singkat, v1 Mini mencetak 95,8 persen dan v1 Max 94,1 persen. Di Speech Agent Arena, tempat manusia membandingkan dua model secara buta, v1 Max mendapat 998 dan v1 Mini 988. Untuk tugas memakai alat, v1 Max menyelesaikan 87,1 persen dan v1 Mini 60,3 persen.
Mistral memilih pembanding yang berbeda. Mereka menyebut Voxtral Small Transcribe 3 mengungguli Whisper, Scribe v2, dan Gemini 3.5 Transcribe pada transkripsi multibahasa serta diarization. Kedua perusahaan memakai tolok ukur yang tidak sama, sehingga angka mereka tidak bisa dibandingkan langsung sebagai satu peringkat.
Kenapa Pasar Suara AI Tiba Tiba Panas
Selama dua tahun terakhir, perhatian publik lebih banyak ke model teks dan gambar. Padahal pusat kontak, layanan pelanggan, dan layanan publik adalah tempat pertama di mana perusahaan biasanya mencoba otomatisasi berbasis bahasa. Kegagalan di sana langsung terasa karena pelanggan mendengar sendiri kalau agen salah paham.
Kedua rilis menunjukkan bahwa hambatan teknis utama sudah bergeser. Masalahnya bukan lagi apakah mesin bisa mengubah suara menjadi teks, tetapi bagaimana menjaga percakapan tetap wajar saat orang memotong pembicaraan, berpindah bahasa, atau memakai istilah daerah. Di titik itu, deteksi akhir giliran bicara dan pengelolaan interupsi menjadi penentu pengalaman.
