پرش به محتوای اصلی
اخبار هوش مصنوعی

وکسترال ۳ میسترال؛ ایجنت صوتی که وسط تماس کار می‌کند

میسترال خانوادهٔ مدل‌های گفتاری وکسترال ۳ را معرفی کرد: سه مدل رونویسی، یک مدل تولید گفتار و SDK ایجنت صوتی که وسط تماس از سیستم‌های کسب‌وکار کار می‌کشد.

۱۷ دقیقه مطالعه
اشتراک‌گذاری:
تصویر رسمی معرفی وکسترال ۳ — خانوادهٔ مدل‌های گفتاری و ایجنت صوتی میسترال؛ عکس: Mistral AI
تصویر رسمی معرفی وکسترال ۳ — خانوادهٔ مدل‌های گفتاری و ایجنت صوتی میسترال؛ عکس: Mistral AI
فهرست مطالب

میسترال سه‌شنبه ۲۸ مهر (۲۰ اکتبر) خانوادهٔ مدل‌های گفتاری «وکسترال ۳» را معرفی کرد: سه مدل رونویسی، یک مدل تولید گفتار و یک کیت توسعهٔ ایجنت صوتی که گوش‌دادن، فکرکردن، فراخوانی ابزار و حرف‌زدن را در یک پایپلاین بلادرنگ به هم می‌دوزد؛ به گفتهٔ شرکت، هر نوبت گفت‌وگو زیر یک ثانیه کامل می‌شود و ایجنت حتی وسط تماس تلفنی، قبض را چک می‌کند یا نوبت رزرو می‌کند.

این خبر فقط «یک مدل صوتی دیگر» نیست؛ میسترال دارد برای سخت‌ترین بخش هوش مصنوعی مکالمه‌ای — یعنی ایجنتی که همزمان بشنود، بفهمد، عمل کند و طبیعی حرف بزند — یک پکیج آماده می‌فروشد. در ادامه می‌گوییم هر مدل دقیقاً چه می‌کند، قیمت‌ها چقدرند، ادعاهای بنچمارکی شرکت را با احتیاط می‌خوانیم، نگاهی به رقبا می‌اندازیم و می‌گوییم برای تو — توسعه‌دهنده یا کاربر فارسی‌زبان — این خبر چه معنایی دارد.

پاسخ کوتاه

  • چه اتفاقی افتاد؟ سه‌شنبه ۲۸ مهر ۱۴۰۵ (۲۰ اکتبر ۲۰۲۶) شرکت فرانسوی میسترال خانوادهٔ «وکسترال ۳» را معرفی کرد: سه مدل رونویسی گفتار، یک مدل تولید گفتار و یک SDK برای ساخت ایجنت صوتی. منبع: بلاگ رسمی شرکت که ۲۹ مهر به‌روز شد.

  • ادعای بزرگ چیست؟ هر نوبت مکالمه زیر یک ثانیه؛ رونویسی ۵۰+ زبان؛ تولید گفتار در ۳۵+ زبان و ۵۰+ لهجه؛ و ایجنتی که وسط تماس، از سیستم‌های کسب‌وکار تو کار انجام می‌دهد. همهٔ این‌ها ادعای خود شرکت‌اند، نه آزمون مستقل.

  • قیمت‌ها چقدرند؟ از ۰.۰۰۳۵ دلار در دقیقه برای رونویسی ارزان تا ۰.۰۴ دلار در دقیقه برای ایجنت کامل با استدلال. جزئیات کامل در جدول قیمت‌ها.

  • چرا مهم است؟ به‌جای اینکه چهار سرویس جدا (رونویسی، مدل زبانی، ابزار، گفتار) را خودت به هم بچسبانی، میسترال همه را در یک پایپلاین آماده داده؛ با این ادعا که می‌توانی مدل زبانی یا صدا را بعداً عوض کنی، بدون اینکه ایجنت را از نو بنویسی.

  • نکتهٔ احتیاط: بنچمارک‌های صفحهٔ رسمی، نمودارهای خود شرکت‌اند و آزمون مستقلی روی آن‌ها منتشر نشده؛ حتی نام مدل‌ها در همان صفحه یکدست نیست. ما هم این مدل‌ها را تست نکرده‌ایم.

اول زمینه: ایجنت صوتی چیست و چرا ساختنش هنوز سخت است؟

ایجنت صوتی یعنی نرم‌افزاری که با صدا با تو حرف می‌زند و همزمان کار انجام می‌دهد؛ نه فقط جواب سؤال، بلکه «قبضت را چک کردم، نوبت پنجشنبه ساعت ۴ برایت رزرو شد». چیزی که از منشی تلفنی یک شرکت انتظار داری، ولی بدون انسان پشت خط.

میسترال در اطلاعیه‌اش می‌گوید یک ایجنت صوتی قابل‌اعتماد باید چهار کار را همزمان و خوب انجام دهد: ۱) دقیق گوش بدهد — با همهٔ لهجه‌ها، گوینده‌ها و وسط‌حرف‌پریدن‌ها؛ ۲) عمیق فکر کند و بفهمد طرف واقعاً چه می‌خواهد؛ ۳) طبیعی و با احساس حرف بزند؛ ۴) در چند قدم، از طریق سیستم‌های متصل، کار را جلو ببرد.

چرا ایجنت‌های صوتی قدیمی «رباتی» حس می‌شدند؟

چون معمولاً چهار سرویس جدا بودند که نوبتی کار می‌کردند: اول صدا به متن تبدیل می‌شد، بعد مدل زبانی فکر می‌کرد، بعد جواب به گفتار برمی‌گشت. هر مرحله چند ثانیه مکث می‌ساخت و اگر وسط حرف می‌پریدی، سیستم گیج می‌شد. نتیجه همان منشی‌های تلفنی بود که انگار از روی کاغذ می‌خوانند و هیچ‌وقت نمی‌فهمند عجله داری. وکسترال ۳ دقیقاً می‌خواهد این زنجیرهٔ نوبتی را به یک جریان پیوسته تبدیل کند.

وکسترال از کجا آمد؟

وکسترال اسم خانوادهٔ مدل‌های گفتاری میسترال است. به نوشتهٔ توکن‌پست، اولین مدل‌های «فهم گفتار» آن ژوئیهٔ ۲۰۲۵ و مدل متن‌به‌گفتارش مارس ۲۰۲۶ آمدند. نسخهٔ ۳ اولین باری است که کنار مدل‌ها، کیت آمادهٔ ساخت ایجنت هم عرضه می‌شود.

وکسترال ۳ دقیقاً چه چیزهایی معرفی کرد؟

پکیج پنج‌تکه است: سه مدل رونویسی (تبدیل گفتار به متن)، یک مدل تولید گفتار (تبدیل متن به گفتار) و یک SDK ایجنت صوتی که این‌ها را با یک مدل استدلالی به هم وصل می‌کند. همه از امروز — به گفتهٔ میسترال — روی API این شرکت در دسترس‌اند و می‌شود روی زیرساخت خودت هم مستقرشان کرد.

نکته‌ای که میسترال رویش مانور می‌دهد: هر مرحلهٔ این پایپلاین یک مدل جداست؛ اگر فردا مدل زبانی بهتری آمد یا خواستی صدای ایجنت را عوض کنی، فقط همان تکه را جابه‌جا می‌کنی و لازم نیست کل ایجنت را از نو بنویسی.

بخش «گوش»: سه مدل رونویسی

رونویسی یعنی تبدیل صدا به متن؛ پایهٔ هر ایجنت صوتی. میسترال سه مدل داده که از ارزان تا پرچم‌دار را پوشش می‌دهند:

وکسترال Small Transcribe 3 پرچم‌دار است: به گفتهٔ میسترال بیش از ۵۰ زبان را رونویسی می‌کند، از جمله ۲۴ زبان رسمی اتحادیهٔ اروپا و چند زبان کم‌منبع آسیایی و هندی. سه قابلیتش برجسته شده: «diarization» یعنی تشخیص «کی چه گفت» در مکالمهٔ چندنفره؛ «context-biasing» یعنی می‌توانی واژه‌های کلیدی حوزه‌ات را به مدل بدهی تا اصطلاحات تخصصی را بهتر بشنود، بدون آموزش مجدد (fine-tune)؛ و «end-of-turn detection» یعنی فهمیدن پایان حرف طرف تا ایجنت بی‌درنگ جواب بدهد. قیمت: ۰.۰۰۴۰ دلار در دقیقه.

وکسترال Mini Transcribe 3 نسخهٔ کوچک و ارزان است: ۴ میلیارد پارامتر — یعنی مدلی سبک و کم‌هزینه — با قیمت ۰.۰۰۳۵ دلار در دقیقه برای کارهای دسته‌ای. هر دو مدل context-biasing را پشتیبانی می‌کنند.

وکسترال Mini Transcribe Realtime 3 برای مکالمهٔ زنده ساخته شده: رونویسی استریمینگ با تأخیر زیر ۵۰۰ میلی‌ثانیه — کمتر از نیم ثانیه — در بیش از ۳۵ زبان، همراه با diarization و context-biasing، به قیمت ۰.۰۰۸ دلار در دقیقه. میسترال می‌گوید برای تشخیص پایان نوبت هم از صدا و هم از معنای جمله استفاده می‌کند تا وقتی وسط جمله مکث می‌کنی، بی‌خود حرفت را قطع نکند.

این قیمت‌ها در عمل یعنی چه؟

۰.۰۰۳۵ دلار در دقیقه یعنی هر ساعت رونویسی حدود ۲۱ سنت؛ ۰.۰۰۸ دلار یعنی ساعتی حدود ۴۸ سنت. اگر یک مرکز تماس روزی ۱۰ ساعت مکالمه را با مدل Realtime رونویسی کند، فقط بخش «گوش‌دادن» روزی حدود ۴.۸ دلار آب می‌خورد. عددها کوچک‌اند، ولی یادت باشد این فقط یک تکهٔ پازل است؛ استدلال و گفتار جداگانه حساب می‌شوند.

بخش «زبان»: مدل تولید گفتار و Pro Voice

مدل تولید گفتار — که در صفحهٔ رسمی با سه اسم «Voxtral Speech 3»، «‏Mini TTS 3» و «‏Mini TTS 3.0» آمده — متن را به گفتار طبیعی تبدیل می‌کند. به گفتهٔ میسترال بیش از ۳۵ زبان و ۵۰ لهجه را پوشش می‌دهد و احساس، سرعت و تأکید صدا را خودش از متن مکالمه می‌فهمد؛ برای کنترل دقیق‌تر هم متغیرهای صریحی مثل emotion (احساس)، pacing (سرعت) و emphasis (تأکید) دارد.

قیمتش ۱۳ دلار به‌ازای هر یک میلیون نویسه است و میسترال ادعا می‌کند از مدل‌های مشابه OpenAI ‏(TTS-1)، دیپ‌گرم، ElevenLabs Flash و جمینای Flash ارزان‌تر درمی‌آید. این مقایسه ادعای خود شرکت است؛ آزمون مستقلی برایش ندیده‌ایم.

قابلیت ویژه‌تر «Pro Voice» است: به گفتهٔ میسترال، با فقط ۳۰ دقیقه نمونهٔ صوتی می‌تواند کاراکتر متمایز، دامنهٔ احساسی و سبک حرف‌زدن یک گوینده را بازسازی کند و همان صدا را به زبان‌های دیگر هم ببرد؛ یعنی برندها می‌توانند «صدای خودشان» را در همهٔ زبان‌ها داشته باشند. اما در بخش دیگری از همان صفحه نوشته «بیش از ۳۰ دقیقه» — همین اختلاف کوچک، نمونه‌ای از شلختگی اطلاع‌رسانی این لانچ است.

کتابخانهٔ لهجه‌ها

میسترال برای ۱۸ زبان «پیش‌تنظیم صدا» آماده دارد؛ از عربی اماراتی تا پرتغالی برزیلی و چینی ماندارین. فارسی در این فهرست نیست، ولی در بنچمارک رسمی ردپایش هست — جلوتر می‌گوییم.

قلب ماجرا: SDK ایجنت صوتی چطور کار می‌کند؟

این مهم‌ترین تکهٔ خبر است. SDK بر پایهٔ LiveKit ساخته شده — یعنی فریم‌ورک متن‌باز و شناخته‌شدهٔ ارتباط بلادرنگ — و سه مرحله را در یک جریان پیوسته می‌چیند. جدول زیر معماری‌ای را که میسترال در اطلاعیه توصیف کرده نشان می‌دهد:

مرحله

مدل

وظیفه

۱. شنیدن

Voxtral Mini Transcribe Realtime 3

رونویسی زندهٔ صدای تماس‌گیرنده و تشخیص پایان نوبتش

۲. فکر و عمل

یک مدل عمومی مثل Mistral Small

فهم منظور، استدلال و فراخوانی ابزارهای کسب‌وکار

۳. گفتن

Voxtral TTS

پاسخ‌گویی با لحنی متناسب با روند مکالمه

نکتهٔ کلیدی: هیچ مرحله‌ای منتظر تمام‌شدن مرحلهٔ قبلی نمی‌ماند. به گفتهٔ میسترال همین باعث می‌شود هر نوبت گفت‌وگو زیر یک ثانیه کامل شود و اگر تماس‌گیرنده وسط حرف ایجنت بپرد، ایجنت ساکت شود — همان رفتاری که از یک انسان پشت خط انتظار داری.

ایجنت حین تماس می‌تواند هویت تماس‌گیرنده را تأیید کند، قبضش را چک کند یا برایش نوبت رزرو کند؛ با function calling (یعنی صدازدن توابع نرم‌افزاری)، جست‌وجوی وب و بازیابی اطلاعات از سیستم‌های خودت. تماس‌ها روی SIP می‌آیند و می‌روند — پروتکل استاندارد تلفن اینترنتی — و مکالمهٔ مرورگر و اپ روی WebRTC است. میسترال می‌گوید SDK به تلفن‌خانه، منوی صوتی (IVR) و نرم‌افزارهای مرکز تماسی که الان داری وصل می‌شود؛ پس قرار نیست زیرساختت را دور بریزی.

یک تماس نمونه، قدم‌به‌قدم

مشتری زنگ می‌زند که قبضش اشتباه است. ایجنت صدا را بلادرنگ رونویسی می‌کند و می‌فهمد بحث «صورت‌حساب» است؛ مدل استدلالی با ابزار حسابداری قبض واقعی را می‌خواند؛ بعد با صدای طبیعی توضیح می‌دهد مبلغ از کجا آمده و اگر مشتری خواست، همان‌جا درخواست اصلاح ثبت می‌کند — بدون اپراتور انسانی. این سناریو را خود میسترال مثال زده؛ کیفیت واقعی‌اش به دقت ابزارهای متصل هم بستگی دارد.

قیمت‌ها: چقدر آب می‌خورد؟

قیمت‌های رسمی میسترال (به دلار):

مدل / سرویس

قیمت رسمی

یعنی چقدر؟

Voxtral Mini Transcribe 3 (دسته‌ای)

۰.۰۰۳۵ دلار در دقیقه

ساعتی حدود ۲۱ سنت

Voxtral Mini Transcribe Realtime 3

۰.۰۰۸ دلار در دقیقه

ساعتی حدود ۴۸ سنت

Voxtral Small Transcribe 3

۰.۰۰۴۰ دلار در دقیقه

ساعتی حدود ۲۴ سنت

Voxtral Mini TTS 3 (تولید گفتار)

۱۳ دلار به‌ازای هر ۱ میلیون نویسه

واحدش نویسه است، نه دقیقه

API ایجنت صوتی (استدلال با Mistral Small 4)

۰.۰۴ دلار در دقیقه

ساعتی ۲.۴ دلار برای ایجنت کامل

API ایجنت صوتی (با مدل بزرگ‌تر)

۰.۰۸ دلار در دقیقه

ساعتی ۴.۸ دلار

جدول را این‌طور بخوان: قیمت «ایجنت کامل» هر سه تکه (گوش، فکر، زبان) را یکجا حساب می‌کند. مثلاً مرکز تماسی که روزی ۱٬۰۰۰ دقیقه مکالمه با مدل استدلالی Small دارد، روزی حدود ۴۰ دلار فقط برای API ایجنت می‌پردازد؛ بدون احتساب تماس تلفنی و زیرساخت. برای استقرار کامل روی سرور خودت یا ابر خصوصی، قیمت عمومی اعلام نشده و میسترال می‌گوید «با تیم ما حرف بزنید».

ادعاهای بنچمارکی؛ با ذره‌بین بخوان

میسترال در اطلاعیه چند ادعای درشت دارد: «پیشتاز» (state-of-the-art) در رونویسی چندزبانه و تشخیص گوینده، و برتری بر Whisper اوپن‌ای‌آی، Scribe v2 و Gemini 3.5 Transcribe. این‌ها ادعای خود شرکت‌اند؛ هیچ آزمون مستقلی هم‌زمان با لانچ منتشر نشده و ارقام صفحهٔ رسمی هم از نمودارهای خود میسترال می‌آیند.

رسانه‌هایی که نمودارها را خوانده‌اند چه می‌گویند؟ به نوشتهٔ AI Weekly، مدل Small روی بنچمارک چندزبانهٔ FLEURS 45 حدود ۴.۱٪ خطای کلمه‌ای (WER) دارد در برابر حدود ۱۶٪ برای Whisper large-v3. مارک‌تک‌پست هم از رتبهٔ سوم Artificial Analysis با ۲.۱٪ خطا خبر می‌دهد، ولی اضافه می‌کند نسخهٔ بلادرنگ با ۷.۴٪ خطا از جمینای ۳.۵ بلادرنگ (۴.۲٪) عقب‌تر است. این اعداد «خوانش رسانه‌ها از نمودارهای شرکت»‌اند، نه تأیید مستقل.

حرف حساب: اگر توسعه‌دهنده‌ای، این اعداد را «سرنخ» بدان نه «سند». تست واقعی، صدای خودت و لهجهٔ مشتری‌های خودت است.

وکسترال ۳ در برابر رقبا

بازار ایجنت صوتی شلوغ است. ElevenLabs که در بررسی Eleven v4 پوششش دادیم روی کیفیت صدا تمرکز دارد؛ اوپن‌ای‌آی و دیپ‌گرم هم مدل‌های گفتاری خودشان را دارند؛ و Whisper همچنان گزینهٔ متن‌باز و رایگان رونویسی است، هرچند به‌تنهایی ایجنت کامل نمی‌سازد. در همین سایت هم گروک وویس ۳ و مدل گفتاری سانو را معرفی کرده‌ایم.

تمایزی که میسترال برای خودش می‌تراشد سه‌تاست: یکپارچگی (همهٔ تکه‌ها از یک‌جا)، استقرار اروپایی و روی زیرساخت خودت (حاکمیت داده)، و قیمت تهاجمی — مخصوصاً ۱۳ دلار به‌ازای هر میلیون نویسه برای گفتار. اگر شرکت اروپایی هستی و دغدغهٔ GDPR داری، ترکیب «API میزبانی‌شده در اروپا + امکان استقرار شخصی» برگ برندهٔ واقعی میسترال است؛ اگر فقط دنبال بهترین صدای ممکنی، بازی هنوز باز است.

حریم خصوصی: صدای مشتری‌ها کجا پردازش می‌شود؟

برای خیلی از کسب‌وکارها این بخش از خود مدل مهم‌تر است. میسترال دو راه می‌دهد: استفاده از API میزبانی‌شده در اتحادیهٔ اروپا، یا استقرار کامل وکسترال ۳ روی زیرساخت خودت. در هر دو حالت — به گفتهٔ شرکت — خودت کنترل می‌کنی صدا کجا پردازش شود، داده چطور مدیریت شود و مکالمات نگه داشته شوند یا نه.

این همان چیزی است که میسترال «استقرار حاکمیتی» (sovereign deployment) می‌نامد: دادهٔ حساس از محیط تو بیرون نمی‌رود. برای بانک یا بیمارستان که مکالمه‌هایش محرمانه است، این یک استدلال فروش جدی است؛ هرچند جزئیات فنی و هزینهٔ استقرار شخصی هنوز اعلام نشده.

برای خوانندهٔ فارسی‌زبان چه معنایی دارد؟

اول خبر خوب: در فهرست ۴۵ زبانی که میسترال برای بنچمارک FLEURS در صفحهٔ رسمی آورده، کد FA — یعنی فارسی — هم دیده می‌شود. پس فارسی دست‌کم در ارزیابی‌های رسمی این شرکت پوشش داده شده و جزو زبان‌هایی است که مدل برایشان تست شده. اما این با «کیفیت خوب فارسی در عمل» فرق دارد؛ تست مستقلی از رونویسی یا گفتار فارسی وکسترال ۳ هنوز ندیده‌ایم و میسترال هم نمونهٔ فارسی منتشر نکرده.

دوم، بحث دسترسی: میسترال شرکت فرانسوی است و تابع مقررات اتحادیهٔ اروپاست. وضعیت دسترسی کاربران ایران به API میسترال در صفحهٔ رسمی اعلام نشده و ما هم چیزی را حدس نمی‌زنیم؛ اگر توسعه‌دهنده‌ای، قبل از هر برنامه‌ریزی شرایط سرویس به‌روز میسترال را خودت چک کن. ما راه دور زدن تحریم پیشنهاد نمی‌دهیم.

سوم، قیمت: همهٔ قیمت‌ها دلاری‌اند و پرداخت بین‌المللی می‌خواهند. اگر فقط می‌خواهی با فناوری آشنا شوی، میسترال می‌گوید می‌توانی ایجنت صوتی، رونویسی و تولید گفتار را در «پلی‌گراندهای استودیو» امتحان کنی؛ دربارهٔ رایگان‌بودن این تست چیزی نگفته، پس حسابت را روی پولی‌بودن بگذار.

و اگر توسعه‌دهندهٔ فارسی‌زبانی: قابلیت context-biasing دقیقاً برای تو ساخته شده؛ می‌توانی اصطلاحات تخصصی فارسی حوزه‌ات — اسم محصول، اصطلاح حقوقی، واژهٔ پزشکی — را به مدل بدهی تا در رونویسی خرابشان نکند، بدون اینکه مدل را دوباره آموزش بدهی. این همان جایی است که «حالا چه کار کنی» معنا پیدا می‌کند: یک فایل صوتی فارسی بردار، در پلی‌گراند تست کن و ببین با واژه‌های تخصصی‌ات چه می‌کند.

چیزهایی که هنوز روشن نیست

صداقت خبری یعنی بگوییم چه چیزی را نمی‌دانیم:

  • نام‌گذاری شلخته: در یک صفحهٔ رسمی، مدل گفتار با سه اسم (Speech 3، ‏Mini TTS 3، ‏Mini TTS 3.0) و مدل رونویسی پرچم‌دار با دو اسم آمده؛ برای Pro Voice هم یک‌جا «۳۰ دقیقه» و جای دیگر «بیش از ۳۰ دقیقه» نوشته شده. برای شرکتی که محصول سازمانی می‌فروشد، این شلختگی عجیب است.

  • قیمت Pro Voice اعلام نشده؛ معلوم نیست شبیه‌سازی صدای اختصاصی چقدر آب می‌خورد.

  • نیاز سخت‌افزاری استقرار شخصی اعلام نشده؛ نمی‌دانیم روی چه سروری و با چه هزینه‌ای می‌شود کل استک را خودت اجرا کنی.

  • کیفیت واقعی فارسی در عمل مشخص نیست؛ فقط می‌دانیم در بنچمارک رسمی بوده.

  • مشتری واقعی معرفی نشده؛ همهٔ مثال‌ها (چک قبض، رزرو نوبت) سناریوهای خود شرکت‌اند.

جمع‌بندی: حالا چه کار کنی؟

وکسترال ۳ را این‌طور خلاصه کن: میسترال به‌جای فروش جداگانهٔ «گوش» و «زبان»، یک «منشی تلفنی آماده» می‌فروشد که ادعا می‌کند زیر یک ثانیه جواب می‌دهد، وسط حرفت نمی‌پرد (و اگر بپری، ساکت می‌شود) و حین تماس از سیستم‌های خودت کار می‌کشد. ادعاهای بنچمارکی‌اش فعلاً فقط حرف خود شرکت است و اطلاع‌رسانی‌اش هم بی‌نقص نیست.

پس تصمیم تو: اگر توسعه‌دهنده‌ای و ایجنت صوتی در نقشهٔ راهت هست، این هفته یک تست عملی در پلی‌گراند میسترال بگذار — مخصوصاً با صدای فارسی و واژه‌های تخصصی حوزه‌ات؛ نتیجهٔ همان نیم‌ساعت تست از همهٔ نمودارهای این مقاله ارزشمندتر است. اگر صاحب کسب‌وکاری و مرکز تماس داری، عجله نکن: صبر کن مشتری‌های واقعی و قیمت استقرار شخصی مشخص شود. و اگر فقط دنبال‌کنندهٔ خبری، این را به خاطر بسپار: جنگ بعدی هوش مصنوعی سر «کی طبیعی‌تر حرف می‌زند» نیست، سر «کی حین حرف‌زدن کار انجام می‌دهد» است.

پرسش‌های متداول

وکسترال ۳ دقیقاً چیست؛ مدل است یا پلتفرم؟

هر دو. چهار مدل گفتاری (سه رونویسی + یک تولید گفتار) است و یک SDK که آن‌ها را با یک مدل استدلالی مثل Mistral Small در یک پایپلاین بلادرنگ به هم وصل می‌کند تا ایجنت صوتی کامل بسازی.

فرق سه مدل رونویسی Small و Mini و Realtime چیست؟

Small پرچم‌دار و دقیق‌ترین است (۵۰+ زبان، ۰.۰۰۴۰ دلار در دقیقه)؛ Mini کوچک‌تر و ارزان‌تر برای کارهای دسته‌ای (۴ میلیارد پارامتر، ۰.۰۰۳۵ دلار در دقیقه)؛ Realtime نسخهٔ استریمینگ برای مکالمهٔ زنده با تأخیر زیر نیم ثانیه (۳۵+ زبان، ۰.۰۰۸ دلار در دقیقه).

فارسی را پشتیبانی می‌کند؟

کد FA در فهرست زبان‌های بنچمارک رسمی FLEURS صفحهٔ میسترال هست، پس فارسی در ارزیابی‌های رسمی پوشش داده شده. ولی کیفیت واقعی رونویسی و گفتار فارسی هنوز با تست مستقل تأیید نشده.

برای ساخت ایجنت صوتی حتماً باید برنامه‌نویس باشم؟

بله، فعلاً مخاطب وکسترال ۳ توسعه‌دهنده است؛ SDK مبتنی بر LiveKit است و اتصال به سیستم‌های کسب‌وکارت (مثل حسابداری یا تقویم) کدنویسی می‌خواهد. کاربر عادی فعلاً فقط می‌تواند در پلی‌گراندهای استودیو میسترال آن را امتحان کند.

هزینهٔ یک ایجنت صوتی واقعی چقدر می‌شود؟

طبق قیمت رسمی، ایجنت کامل با استدلال Mistral Small 4 دقیقه‌ای ۰.۰۴ دلار است؛ یعنی ساعتی ۲.۴ دلار. مرکز تماسی با روزی ۱٬۰۰۰ دقیقه مکالمه، روزی حدود ۴۰ دلار فقط برای API می‌پردازد؛ هزینهٔ تماس تلفنی و زیرساخت جداست.

می‌توانم صدای فارسی دلخواهم را بسازم؟

مدل گفتار ۳۵+ زبان و ۵۰+ لهجه را پوشش می‌دهد ولی فارسی جزو ۱۸ زبان دارای «پیش‌تنظیم صدای» آماده نیست. قیمت Pro Voice هم اعلام نشده و تست فارسی‌اش را ندیده‌ایم.

داده‌های صوتی من کجا پردازش می‌شود؟

دو راه داری: API میزبانی‌شدهٔ میسترال در اروپا، یا استقرار کامل روی زیرساخت خودت. به گفتهٔ میسترال، خودت کنترل می‌کنی مکالمات کجا پردازش و آیا نگه داشته شوند یا نه. جزئیات فنی استقرار شخصی هنوز اعلام نشده.

با Whisper یا ElevenLabs چه فرقی دارد؟

Whisper رایگان و متن‌باز است ولی فقط رونویسی می‌کند، نه ایجنت کامل. ElevenLabs روی کیفیت صدا تمرکز دارد (بررسی Eleven v4 را ببین). تمایز ادعایی میسترال: یکپارچگی هر چهار مرحله در یک پایپلاین، استقرار اروپایی/شخصی، و قیمت تهاجمی. برای آشنایی با مدل‌های بزرگ خود میسترال هم مطلب میسترال لارج ۴ را ببین.

منابع

برچسب‌ها:هوش مصنوعیهوش مصنوعی مولدتوسعه‌دهنده
اشتراک‌گذاری:

مطالب مرتبط

عضویت در خبرنامه

آخرین اخبار هوش مصنوعی و فناوری را در ایمیل خود دریافت کنید.

پس از عضویت یک ایمیل تأیید برایتان ارسال می‌شود. هر زمان می‌توانید اشتراک خود را لغو کنید و ایمیل شما برای هدفی جز ارسال خبرنامه استفاده نمی‌شود. جزئیات در صفحه حریم خصوصی آمده است.