Voxtral 3: Mistral събира гласовия агент в един поток

21.10

време за четене: 4 мин.

Mistral пусна Voxtral 3 - модели за разпознаване и синтез на реч и инструментариум, който ги свързва с езиков модел в един гласов агент. Компанията нарича транскрипцията си най-добрата в класа. Независимото измерване я поставя на трето място, на 0,4 пункта от водача и на цена от 0,4 цента на минута.

В офис със смесено осветление робот със слушалки говори едновременно по три телефона, а жена ръководител се опитва да смени модула в гърба му с друг и с изненада усеща, че новият модул е двойно по-тежък, докато мъж колега до нея държи стария модул.

Какво пусна Mistral

Voxtral 3 е семейство от четири модела и един инструментариум за разработчици. Voxtral Small Transcribe 3 и Voxtral Mini Transcribe 3 превръщат запис в текст на над 50 езика, разпознават кой кога говори и приемат списък с термини, за да пишат правилно имена и браншови думи. Mini е с 4 милиарда параметъра. Voxtral Mini Transcribe Realtime 3 прави същото в реално време със забавяне под 500 милисекунди, а Voxtral Speech 3 синтезира реч на над 35 езика и 50 диалекта, с емоция, темпо и ударение според разговора.

Новото е инструментариумът. Той е построен върху LiveKit и пуска слушането, мисленето, извикването на инструменти и говоренето като един непрекъснат поток. По думите на Mistral всеки ход от разговора приключва за под секунда, а агентът млъква, когато събеседникът го прекъсне. През разговора агентът може да провери самоличността на обаждащия се, да прегледа сметка или да запише час, а към телефонните централи се връзва през SIP.

Цените са на минута или на знак:

Mini Transcribe 3: 0,0035 долара на минута.
Small Transcribe 3: 0,004 долара на минута.
Транскрипция в реално време: 0,008 долара на минута.
Синтез на реч (Speech 3): 13 долара за милион знака.
Гласов агент с Mistral Small 4 за мисленето: 0,04 долара на минута, а с друг езиков модел - 0,08 долара.

Какво показва независимото измерване на Voxtral 3

Mistral пише, че Small Transcribe 3 изпреварва Whisper, Scribe v2 на ElevenLabs и Gemini 3.5 Transcribe. Artificial Analysis, която мери моделите по един и същ набор от записи, потвърждава част от това. В нейната класация по дял на грешните думи Voxtral Small Transcribe 3 е трети с 2,1%, пред Scribe v2 с 2,2%. Voxtral Mini Transcribe 3 също е с 2,2%.

Пред тях обаче стоят два модела: Fun-Realtime-ASR-preview с 1,7% и MAI-Transcribe-2 с 2,0%. „Най-добрата в класа" е силно казано. Точното описание е „сред най-точните, на цена под половин цент на минута".

При синтеза на реч картината е по-тясна. Сравненията на Mistral за качество на глас, произношение и много езици са оценки, в които слушателят е друг езиков модел - Gemini 3.8 Flash. Те показват посоката, но не заместват собствен тест с реални разговори.

Какво получава българският език

Българският е в списъка от 45 езика, по които Mistral мери транскрипцията, и в 35-те езика на модела за реално време. Тоест агент на Voxtral 3 може да слуша обаждане на български.

Готовите гласове са друга история. Те се предлагат на 18 езика, сред които български няма. В обявлението не намираме и пълен списък на езиците за синтез, в който българският да е посочен. За фирма, чийто агент трябва да отговаря на български, първата стъпка е пробен разговор, не ценоразписът.

Mistral подчертава, че данните могат да остават в Европа - през европейски крайни точки на програмния интерфейс или в собствена инфраструктура. Второто обаче минава през разговор с екипа на компанията. Предишното поколение, Voxtral Mini 4B Realtime, излезе през януари с отворени тежести под лиценз Apache 2.0, докато за Voxtral 3 такова обявяване засега няма.

Кога Voxtral 3 не е правилният избор

Инструментариумът обещава свобода: всеки етап е отделен модел, затова езиковият модел, гласът или езикът се сменят, без агентът да се пренаписва. Цената казва друго. Агентът струва 0,04 долара на минута, когато мисли с модел на Mistral, и двойно повече с всеки друг.

Свободата да се смени мозъкът на агента е налице, но има двойна тарифа. За фирма, която вече е избрала друг езиков модел, сметката трябва да се направи с 0,08 долара, не с 0,04.

Наблюдаваме, че гласовите агенти се купуват все по-малко като отделни модели и все повече като готов поток от един доставчик. Това опростява началото и прави смяната по-скъпа по-късно.

Заключение

Voxtral 3 дава на европейските фирми почти най-точната транскрипция на пазара на ниска цена и готов път до гласов агент. Изборът е добър, когато агентът и мисли с Mistral, и говори на език, който компанията вече е озвучила.

Искате да започнете с AI от нулата? Безплатният курс „Основи на AI“ е 17 видео урока, около 35 минути, със сертификат: Започнете безплатния курс по AI

Помагаме на български фирми да изберат и изпробват гласов AI агент за обаждания и обслужване на клиенти, преди да го пуснат към реални хора. Услугите ни покриват одит, оценка на готовност, обучение на екипи и имплементация на специализирани AI автоматизации за всяка организация. Препоръчваме консултация, когато агентът трябва да говори на български или да работи с вече избран езиков модел. [Свържете се с нас за консултация: academy@razvivai.se]