Mistral выкатили Voxtral и это выглядит как серьёзный заход в TTS.

Модель всего на 4B параметров. При этом даёт около 70 мс задержки, что уже подходит для голосовых агентов в реальном времени.
Поддерживает клонирование голоса буквально с нескольких секунд аудио. Плюс работает на 9 языках и умеет переносить голос между ними.
По бенчмаркам заявляют 68.4% побед против ElevenLabs Flash v2.5.
Ключевой момент здесь не только в качестве. Веса открыты и доступны на Hugging Face.
Это значит, что TTS снова уходит из SaaS в инфраструктуру. Голос можно разворачивать локально, кастомизировать и встраивать без ограничений.
Для тех, кто делает voice agents, это сильный сдвиг. Контроль над голосом теперь можно держать у себя.
https://huggingface.co/mistralai/Voxtral-4B-TTS-2603