Voxtral 3 statt Voxtral 2: Was der Umstieg bei Mistrals Spracherkennung für Unternehmen bedeutet

Der Beitrag richtet sich an Produktverantwortliche, Entwicklungsteams und Datenschutz in Unternehmen, die Telefonate, Besprechungen oder Diktate mit Mistral transkribieren oder das planen. Wer bisher Voxtral Transcribe 2 nutzt, findet hier, was sich ändert und in welcher Reihenfolge der Umstieg sinnvoll ist. Wer neu einsteigt, sollte mit Voxtral Mini Transcribe 3 und einer kleinen Sammlung eigener Aufnahmen beginnen, nicht mit der Benchmark-Tabelle des Herstellers.

Wo Voxtral im Angebot von Mistral steht

Voxtral ist die Audiofamilie in der API und in Studio, einem der drei Angebote auf der Seite Mistral AI für Unternehmen. Für die Transkription gibt es zwei Betriebsarten: Aufnahmen als Datei („offline“) und laufende Audioströme über eine WebSocket-Verbindung („realtime“). Daneben stehen Sprachausgabe mit Voxtral TTS 3 und die neuen Voice Agents, eine verwaltete Sprachstrecke aus Erkennung, Modell und Sprachausgabe.

Nicht abgedeckt ist in diesem Beitrag der Assistent Vibe, der eigene Daten- und Funktionsregeln hat, siehe den Beitrag zu Mistral Vibe im Unternehmen. Ebenfalls außen vor bleibt die Auswertung von Audio im Chat, etwa für Zusammenfassungen und Übersetzungen. Dafür nennt die Übersicht zur Spracherkennung zum Start noch voxtral-small-latest, also ein Modell der Voxtral-2-Generation. Den Vorgänger hat AI-Fabrik im Februar im Beitrag zu Voxtral Transcribe 2 beschrieben; dessen Modellangaben sind mit der Abkündigung überholt.

Was die Abkündigung bedeutet

Laut Modellkarte ist Voxtral Mini Transcribe 2 seit dem 31. Oktober 2026 abgekündigt und wird am 30. April 2027 abgeschaltet. Für die Echtzeitfassung nennt die Modellkarte dieselben Daten. Danach liefern Anfragen an die alten Kennungen nach der Lebenszyklus-Richtlinie einen Fehler 404. Die Umstiegsanleitung ordnet jedem alten Modell einen Nachfolger zu:

Quellen: Mistral-Modellkarten und Migrate from Voxtral 2, abgerufen am 15. November 2026. Voxtral Small 2507 ist laut Modellkarte weiter allgemein verfügbar und nicht abgekündigt. Eine Stunde Audio kostet mit Mini Transcribe 3 nach Listenpreis 0,21 US-Dollar (eigene Rechnung); ob der Aufschlag von 10 Prozent für den EU-Endpunkt auch für Minutenpreise gilt, nennt die Dokumentation nicht.

Der Preisunterschied ist für die meisten Anwendungen klein. Wichtiger ist der Status. Die Lebenszyklus-Richtlinie unterscheidet: Allgemein verfügbare Modelle erhalten keine stillen Änderungen und haben sechs Monate Kündigungsfrist. Vorschaumodelle dürfen still geändert werden, haben nur einen Monat Frist und laut Mistral keinen garantierten Weg zur allgemeinen Verfügbarkeit. Wer heute umsteigt, ersetzt also ein stabiles Modell mit festem Enddatum durch ein bewegliches Ziel.

Die Animation zeigt diesen Ablauf schematisch: Was der Hersteller festgelegt hat und welche Schritte AI-Fabrik für den Umstieg empfiehlt.

Redaktionelle, schematische Darstellung von AI-Fabrik, nicht maßstäblich. Daten laut Mistral-Modellkarten und Changelog, abgerufen am 15. November 2026. Ein Datum für die allgemeine Verfügbarkeit von Voxtral 3 hat Mistral nicht genannt; die schraffierte Fläche steht für diesen offenen Zeitraum.

Was beim Umbau bricht

Die meisten Änderungen sind Erweiterungen. Zwei betreffen bestehende Integrationen direkt. Erstens gibt es keine Zeitstempel je Wort mehr: timestamp_granularities akzeptiert laut Umstiegsanleitung nur noch segment, der Wert word führt zu einem Fehler 400. Wer Untertitel wortgenau setzt, Textstellen in Aufnahmen anspringt oder Protokollzeilen Wort für Wort ausrichtet, braucht einen anderen Weg oder muss mit Segmenten auskommen. Im Echtzeitbetrieb tragen Segmente laut Übersicht gar keine Start- und Endzeit.

Zweitens können sich bei der Sprechertrennung Segmente zeitlich überlappen, wenn zwei Personen gleichzeitig sprechen. Anzeigen, die davon ausgehen, dass Abschnitte nie überlappen, müssen beide Segmente behalten. Gleichzeitig schreibt Mistral auf der Seite zur Sprechertrennung, überlappende Sprache werde in dieser Version nicht unterstützt. Für Besprechungen, in denen oft durcheinander gesprochen wird, ist das ein Testfall, keine Randnotiz.

Kleinere Punkte: In Echtzeitsitzungen müssen alle Einstellungen vor dem ersten Audiostück gesendet werden. Fachbegriffe für context_bias dürfen jetzt Leerzeichen enthalten, teilen sich aber das Kontextfenster mit dem Audio. Die Limits-Seite nennt dafür 65.536 Tokens, die Modellkarte von Mini Transcribe 3 „32k“. Diese Abweichung sollte man vor langen Aufnahmen mit Mistral klären oder selbst ausprobieren. Die Zahl der Sprachen steigt: Für Dateien nennt die Sprachenseite 53 Sprachen einschließlich Deutsch, für Echtzeit 45 Sprachen und Dialekte. Die Ankündigung spricht von 50 Sprachen.

Welcher Datenweg zu welcher Aufnahme passt

Aufnahmen erreichen die API laut Dokumentation zur Dateitranskription auf drei Wegen: als Datei in der Anfrage, als URL oder als vorher in die Files API hochgeladene Datei. Für Unternehmen ist der Unterschied erheblich.

Der EU-Endpunkt api.eu.mistral.ai verarbeitet in Rechenzentren in der EU und in EFTA-Staaten. Zustandsbehaftete Funktionen wie Batch und Files API gibt es dort nicht. Die Null-Speicherung umfasst den Transkriptionsendpunkt /v1/audio/transcriptions, nicht aber die Files API. Die Null-Speicherung muss beantragt werden, Mistral prüft jeden Antrag. Wer Aufnahmen mit Personenbezug transkribiert und die Verarbeitung im Gebiet von EU und EFTA halten will, schickt sie also direkt in der Anfrage an den EU-Endpunkt und lässt die Null-Speicherung für die Organisation freischalten. Kontodaten, Schlüssel und Abrechnung bleiben laut Mistral auch dann nicht zwingend in der Region. Die Grundlagen zu Endpunkt und Speicherung erklärt der Beitrag zur Mistral-API in der EU.

Ob alle Voxtral-3-Modelle am EU-Endpunkt bereitstehen, sagt die Ankündigung nur allgemein („europäische, US- und globale Endpunkte“). Die Dokumentation empfiehlt, die Modellliste am regionalen Endpunkt abzufragen, bevor Verkehr dorthin geht. Das gehört in den ersten Testtag.

Sprecher erkennen: Was rechtlich zu prüfen ist

Neu ist die Möglichkeit, bekannte Sprecher zu benennen. Laut Dokumentation lassen sich bis zu acht Referenzaufnahmen von je 3 bis 15 Sekunden mitsenden; Abschnitte dieser Stimmen tragen dann den Namen statt einer neutralen Kennung wie speaker_1. Ohne Referenzen gelten die Kennungen nur innerhalb einer Aufnahme.

Fachlich ist das bequem, rechtlich ein anderer Vorgang als eine reine Transkription: Eine Person wird anhand ihrer Stimme zugeordnet. Daten, die mit speziellen technischen Verfahren aus Merkmalen einer Person gewonnen werden und ihre eindeutige Identifizierung ermöglichen, sind nach Artikel 4 Nr. 14 DSGVO biometrische Daten. Werden sie zur eindeutigen Identifizierung verarbeitet, gilt das Verbot mit Ausnahmen aus Artikel 9. Ob die Referenzfunktion im konkreten Einsatz darunter fällt, muss der Datenschutz bewerten. Bei Beschäftigten kommt in Deutschland regelmäßig der Betriebsrat hinzu, wenn sich Verhalten oder Leistung auswerten lassen (§ 87 Abs. 1 Nr. 6 BetrVG). Und schon die Aufnahme eines Gesprächs braucht eine Grundlage: Das unbefugte Aufzeichnen des nichtöffentlich gesprochenen Wortes ist nach § 201 StGB strafbar.

Ein hypothetisches Beispiel: Ein Versicherer transkribiert Kundentelefonate. Die neutrale Trennung in „Mitarbeiter“ und „Kunde“ genügt, wenn die Zuordnung über die Telefonanlage ohnehin bekannt ist. Referenzaufnahmen der Beschäftigten wären dann ein zusätzlicher Verarbeitungsschritt ohne erkennbaren Mehrwert. Wer sie trotzdem einsetzen will, sollte das eigens begründen.

Pilotfragen vor dem Umstieg

1. Welche Anwendungen rufen noch Voxtral-2-Kennungen oder latest-Aliase auf, und welche davon nutzen Wortzeitstempel?
2. Wie gut erkennt Voxtral 3 unsere deutschen Fachbegriffe, Namen und Dialekte im Vergleich zu Voxtral 2, gemessen an eigenen, freigegebenen Aufnahmen und mit fester Modellkennung?
3. Ist für Aufnahmen mit Personenbezug der EU-Endpunkt gesetzt, die Null-Speicherung freigeschaltet und der Weg über die Files API gesperrt oder geregelt?
4. Brauchen wir benannte Sprecher, und hat der Datenschutz die Referenzaufnahmen als möglicherweise biometrische Verarbeitung bewertet?
5. Wer beobachtet den Status von Voxtral 3 und stößt einen erneuten Test an, wenn Mistral das Modell ändert, für allgemein verfügbar erklärt oder abkündigt?

Fazit: Früh testen, mit Puffer wechseln

Quellen

Weiterführende Artikel auf AI-Fabrik