Mistral, konuşmayı yazıya ve metni sese çeviren Voxtral 3 modellerini ve sesli ajan API’sini tanıttı

Fransız yapay zeka şirketi Mistral, 20 Ekim’de Voxtral 3 ses modeli ailesini ve sesli ajanlar için yeni bir API’yi duyurdu. Değişiklik kaydına göre dört model genel önizlemede. Toplu yazıya döküm için Voxtral Mini Transcribe 3 ve Voxtral Small Transcribe 3, canlı yazıya döküm için Voxtral Mini Transcribe Realtime 3 var. Seslendirme modelinin adı Voxtral TTS 3. Yazıya döküm, AB’nin 24 resmi dili dahil 50’den fazla dili destekliyor. 4 milyar parametreli Mini’nin dakikası 0,0035, Small’un 0,004, canlı modelin 0,008 dolar. Seslendirme 35’ten fazla dil ve 50’den fazla lehçede çalışıyor; milyon karakteri 13 dolar.

Mistral’e göre Small modeli Whisper, ElevenLabs’in Scribe v2’si ve Gemini 3.5 Transcribe’dan daha iyi sonuç veriyor. Şirketin konuşmacı ayrımı testinde (cpWER, düşük olan iyi) Small yüzde 18,4, önceki nesil Voxtral Mini Transcribe 2 yüzde 30,9 hata oranında. Canlı model 500 milisaniyenin altında gecikmeyle çalışıyor. Şirket seslendirmenin OpenAI, Deepgram, ElevenLabs Flash ve Gemini Flash’tan ucuz olduğunu söylüyor. Pro Voice özelliği 30 dakikalık kayıttan bir konuşmacının üslubunu diller arasında taklit ediyor.

LiveKit üzerine kurulu sesli ajan SDK’sinde canlı model dinliyor, Mistral Small gibi bir dil modeli düşünüp araç çağırıyor, TTS modeli yanıt veriyor. Mistral’e göre her tur bir saniyenin altında tamamlanıyor ve arayan söze girdiğinde ajan susuyor. Ajan API’sinin dakikası Mistral Small 4 ile 0,04, daha büyük bir modelle 0,08 dolar. Ajan telefonda SIP, tarayıcı ve uygulamalarda WebRTC üzerinden çalışıyor. Modeller Mistral’in Avrupa, ABD ve küresel uç noktalarından sunuluyor, şirketin kendi altyapısına da kurulabiliyor.