Mistral AI செவ்வாயன்று Voxtral 3 ஐ அறிவித்தது, இது ஒரு புதிய பேச்சு மாதிரிகள் மற்றும் குரல் முகவர் SDK ஆகும், இது பிரெஞ்சு AI நிறுவனம் கூறுகிறது, இது ஒரு நிகழ்நேர ஸ்ட்ரீமிங் பைப்லைனில் கேட்பது, பகுத்தறிவு, கருவி அழைப்பு மற்றும் பேச்சு தொகுப்பு ஆகியவற்றை ஒருங்கிணைக்கிறது. மிஸ்ட்ரலின் அதிகாரப்பூர்வ வலைப்பதிவில் வெளியிடப்பட்ட இந்த வெளியீடு, தொடர்பு மையங்கள், சேவை மேசைகள், மெய்நிகர் உதவியாளர்கள் மற்றும் ஹேண்ட்ஸ்-ஃப்ரீ காப்பிலட்களை குறிவைக்கிறது - குரல் AI சந்தையின் பகுதிகள், தாமதம் மற்றும் துல்லியம் நேரடியாக அழைப்பாளர்கள் செயலிழக்கிறார்களா என்பதை நேரடியாக மொழிபெயர்க்கும்.

ஒரு முகவர் பிரெஞ்சு மொழியில் பேசும் கோரிக்கையைக் கையாளுவதைக் காட்டும் ஒரு நேரடி விளக்கத்துடன் இந்த அறிவிப்பு வந்தது: ஒரு அழைப்பாளர் தனது மருத்துவரின் பரிந்துரைக் கடிதத்தைப் படிக்கிறார், முகவர் அதைப் படியெடுத்தார், முன்பதிவு கருவியை அழைத்தார் மற்றும் சந்திப்பை உறுதிப்படுத்துகிறார் - உரையாடலின் நடுவில் மொழிகளுக்கு இடையில் மாறுதல். For more context on this story, see our ongoing latest AI developments.

மிஸ்ட்ரல் உண்மையில் அனுப்பப்பட்டது

வோக்ஸ்ட்ரால் 3 என்பது ஒரு மாடல் அல்ல, ஒரு அடுக்கு. ஸ்பீச்-டு-டெக்ஸ்ட் பக்கமானது வோக்ஸ்ட்ரால் ஸ்மால் டிரான்ஸ்கிரைப் 3 ஆல் வழிநடத்தப்படுகிறது, இது பன்மொழி டிரான்ஸ்கிரிப்ஷன், ஸ்பீக்கர் டைரைசேஷன் மற்றும் சூழல் சார்பு ஆகியவற்றில் அதிநவீனமாக மிஸ்ட்ரால் விவரிக்கிறது. மொழி ஆதரவு இப்போது 50 மொழிகளை உள்ளடக்கியது, இதில் அனைத்து 24 உத்தியோகபூர்வ ஐரோப்பிய ஒன்றிய மொழிகளும் மற்றும் நிறுவனம் பல குறைந்த வளம் கொண்ட ஆசிய மற்றும் இந்திய மொழிகளை அழைக்கிறது.

மூன்று திறன்கள் குறிப்பாக முக்கியத்துவம் பெறுகின்றன. மல்டி ஸ்பீக்கர் ஆடியோவில் யார் என்ன சொன்னார்கள் என்பதை டயரைசேஷன் அடையாளம் காட்டுகிறது. சூழல் சார்பு டெவலப்பர்கள் முக்கிய சொற்களை - தயாரிப்பு பெயர்கள், மருந்து குறியீடுகள், தொழில்நுட்ப சொற்களஞ்சியம் - எனவே டிரான்ஸ்கிரைபர் டொமைன்-குறிப்பிட்ட வார்த்தைகளை நன்றாகச் சரிப்படுத்தாமல் நினைவுபடுத்துகிறது. ஸ்பீக்கர் உண்மையில் எப்போது முடிந்தது என்பதை ஏஜென்ட் அறிய முடிவடைந்ததைக் கண்டறிதல் உதவுகிறது, எனவே அது மோசமான தாமதங்கள் அல்லது குறுக்கீடுகள் இல்லாமல் பதிலளிக்க முடியும்.

தலைமுறை தரப்பில், Voxtral Mini TTS 3, 35க்கும் மேற்பட்ட மொழிகள் மற்றும் 50க்கும் மேற்பட்ட பேச்சுவழக்குகளுக்கான ஆதரவுடன், உரையாடல் சூழலின் அடிப்படையில் உணர்ச்சி, வேகம் மற்றும் முக்கியத்துவம் ஆகியவற்றை சரிசெய்யும் குரல்களை அறிமுகப்படுத்துகிறது. ஒரு தனி ப்ரோ வாய்ஸ் தழுவல் அம்சமானது, ஒரு குறிப்பிட்ட பேச்சாளரின் குரல் தன்மை மற்றும் பேசும் பாணியை 30 நிமிட குறிப்பு ஆடியோவில் இருந்து மீண்டும் உருவாக்குகிறது - இது குரல் குளோனிங்கை நோக்கிச் செல்லும் திறன் மற்றும் சம்மதத்தின் முன் ஆய்வுக்கு உட்படுத்தப்படும்.

பெஞ்ச்மார்க் உரிமைகோரல்கள் மற்றும் விலை நிர்ணயம்

அறிவிப்பின்படி, Voxtral Small Transcribe 3 ஆனது OpenAI இன் விஸ்பர், Amazon's Scribe v2 மற்றும் Gemini 3.5 ட்ரான்ஸ்க்ரைப் ஆன் ஆர்டிபிஷியல் அனாலிசிஸ்' FLEURS-அடிப்படையிலான பன்மொழி டிரான்ஸ்கிரிப்ஷன் மற்றும் டயரைசேஷன் மதிப்பீடுகளை விஞ்சி, குறைந்த மற்றும் ஊகிக்கப்பட்ட ஒற்றை இலக்க அமைப்பில் வார்த்தை பிழை விகிதங்கள் குறிப்பிடப்பட்டுள்ளன. எப்போதும் போல, விற்பனையாளர்-வெளியிடப்பட்ட வரையறைகள் சுயாதீன உறுதிப்படுத்தலுக்குத் தகுதியானவை, ஆனால் கோரிக்கையானது மிஸ்ட்ரலின் டிரான்ஸ்கிரைபரை ஒரு நெரிசலான பன்மொழி தொகுப்பின் முன் வைக்கிறது.

விலை நிர்ணயம் ஆக்ரோஷமானது. சிறிய டிரான்ஸ்க்ரைபர், 4-பில்லியன்-பாராமீட்டர் மாடல், ஆடியோவின் நிமிடத்திற்கு $0.0035 செலவாகும், இது வழக்கமான நிறுவன டிரான்ஸ்கிரிப்ஷன் பட்ஜெட்டுகளின் கீழ் மற்றும் அதிக அளவு தொடர்பு மைய பணிச்சுமைகளின் கீழ் வைக்கிறது.

SDK தானே இணைப்பு திசு ஆகும்: இது டிரான்ஸ்கிரிப்ஷன், ஒரு பகுத்தறிவு மாதிரி, கருவி வணிக அமைப்புகளுக்குள் அழைப்புகள் மற்றும் பேச்சு தொகுப்பு ஒரு ஸ்ட்ரீமிங் அமர்வாக இயங்கும் ஒரு பைப்லைனை வெளிப்படுத்துகிறது. மிஸ்ட்ரலின் டெமோவில், முகவர் முன்பதிவு முறையை மீட்டெடுக்கிறார், ஸ்லாட்டை முன்பதிவு செய்ய ஒரு கருவி அழைப்பை இயக்குகிறார், மேலும் ஒரு நேரடி உரையாடலின் போது உறுதிப்படுத்தலைப் பேசுகிறார்.

இறையாண்மை என்பது விற்பனை சுருதி

மிஸ்ட்ரல் வரிசைப்படுத்தல் கட்டுப்பாட்டில் கடுமையாக சாய்ந்துள்ளார். Voxtral 3 இன்று Mistral இன் EU-ஹோஸ்ட் செய்யப்பட்ட API மூலமாகவோ அல்லது வாடிக்கையாளர் உள்கட்டமைப்பில் சுய-பயன்படுத்துவதற்காகவோ கிடைக்கிறது, ஆடியோ எங்கு செயலாக்கப்படுகிறது, தரவு எவ்வாறு கையாளப்படுகிறது மற்றும் உரையாடல்கள் சேமிக்கப்பட வேண்டுமா என்பதை நிறுவனங்களைத் தீர்மானிக்க அனுமதிக்கிறது.

அந்த ஃப்ரேமிங் தற்செயலானது அல்ல. ஐரோப்பிய மருத்துவமனைகள், வங்கிகள் மற்றும் பொது முகமைகள் குரல் தரவுகளில் கடுமையான விதிகளை எதிர்கொள்கின்றன, மேலும் US ஹைப்பர்ஸ்கேலர்களின் ஹோஸ்ட் செய்யப்பட்ட குரல் APIகள் தரவு வதிவிடத் தேவை தேவைப்படும் கொள்முதல் செயல்முறைகளில் எதிர்ப்பை எதிர்கொண்டுள்ளன. "இறையாண்மை AI" ஐச் சுற்றி தனது பிராண்டை உருவாக்கியுள்ள Mistral, ஐரோப்பிய சட்ட மதிப்பாய்வைக் கடந்து செல்லும் குரல் அடுக்காக Voxtral 3 ஐ நிலைநிறுத்துகிறது.

வாய்ஸ் ஏஜென்ட்கள் ஏன் கடினமாக இருக்கிறார்கள்

அதன் அறிவிப்பில், Mistral சிக்கலைத் தெளிவாக வடிவமைக்கிறது: நம்பகமான குரல் முகவர் ஒரே நேரத்தில் நான்கு கடினமான விஷயங்களைச் செய்ய வேண்டும். இது மொழிகள், உச்சரிப்புகள், பேச்சாளர்கள் மற்றும் குறுக்கீடுகள் முழுவதும் துல்லியமாக கேட்க வேண்டும்; ஒரு குறிப்பிட்ட சூழலில் ஒரு பயனர் எதைக் குறிக்கிறார் என்பதைப் பற்றி ஆழமாகப் புரிந்துகொள்வது; உணர்ச்சி மற்றும் வெளிப்பாட்டுடன் இயல்பாகப் பேசுங்கள்; இணைக்கப்பட்ட அமைப்புகளில் பல படிகளில் நடவடிக்கை எடுக்கவும். ஒவ்வொன்றும் சில தயாரிப்புகள் அல்லது பிறவற்றால் தனித்தனியாக தீர்க்கப்பட்டுள்ளன. நிகழ்நேரத்தில், நேரலை தொலைபேசி அழைப்பில், நான்கு பேரையும் ஒன்றாக வேலை செய்ய வைப்பது அரிதாகவே உள்ளது.

தோல்வி முறைகள் தானியங்கி வரியை அழைத்த எவருக்கும் நன்கு தெரிந்திருக்கும்: ஏஜெண்ட் அழைப்பாளருடன் பேசுகிறார், ஏனெனில் அது வாக்கியம் முடிந்ததா என்று தவறாகக் கணிக்கப்பட்டது, அல்லது அது மருந்துப் பெயரைச் சரியாகப் படியெடுத்தது, ஆனால் திட்டமிடல் அமைப்பில் இணைப்பு இல்லாததால் அதைச் செயல்படுத்த முடியாது. தனித்தனி தயாரிப்புகளை ஒன்றாக இணைக்காமல், ஒரு SDK இன் முதல்-வகுப்பு பகுதிகளாக அழைக்கும் முடிவு-ஆஃப்-டர்ன் கண்டறிதல், சூழல் சார்பு மற்றும் கருவியை பேக்கேஜிங் செய்வதன் மூலம், Mistral ஒருங்கிணைப்பு எளிமை - மூல மாதிரி தரம் மட்டும் அல்ல - குரல் AI பைலட்களை வரிசைப்படுத்துதல்களாக மாற்றுகிறது.

நெரிசலான, வேகமாக நகரும் சந்தை

டிகோடர் வெளியீட்டை "உண்மையில் கேட்கும், சிந்திக்கும் மற்றும் பேசும் முழு குரல் முகவர் அடுக்கு" என்று வகைப்படுத்தியது, மேலும் இந்த வெளியீடு ஹேக்கர் நியூஸில் உடனடி கவனத்தை ஈர்த்தது, அங்கு அது சில மணிநேரங்களில் 380 புள்ளிகளுக்கு மேல் சேகரித்தது. வாய்ஸ் AI ஆனது, AI அடுக்கின் மிகவும் போட்டியிட்ட அடுக்குகளில் ஒன்றாக மாறியுள்ளது, ஒவ்வொரு பெரிய ஆய்வகமும் பேச்சு முதல் பேச்சு மாதிரிகள் மற்றும் ஸ்டார்ட்அப்களை உருவாக்கும் முகவர் கட்டமைப்பை மேலே கொண்டு வருகிறது.

குறைந்த பட்சம் காகிதத்தில் வோக்ஸ்ட்ரால் 3 ஐ வேறுபடுத்துவது என்னவென்றால், திறந்த வரிசைப்படுத்தல் விருப்பங்கள், பொருட்களின் மட்டத்தில் நிமிடத்திற்கு விலை நிர்ணயம் மற்றும் குரல் வளையத்திற்குள் நேட்டிவ் டூல்-அழைப்பு, பின்னர் போல்ட் செய்வதற்கு பதிலாக. பெஞ்ச்மார்க் லீட்கள் உற்பத்தி இரைச்சலைத் தாங்குமா - உச்சரிப்பு பேச்சு, ஃபோன்-லைன் ஆடியோ, ஒன்றுடன் ஒன்று ஸ்பீக்கர்கள் - தொடர்பு மையத்தை வாங்குபவர்கள் உண்மையில் மாற வேண்டுமா என்பதை தீர்மானிக்கும்.

மிஸ்ட்ராலைப் பொறுத்தவரை, இந்த வெளியீடு நிறுவனம் டைம்ஸ்ட்ரல் நேர-தொடர் முன்கணிப்பு மாதிரிகளை வெளியிடுவதையும், இயற்பியலுக்கான AI இல் CERN உடனான கூட்டாண்மையை ஆழப்படுத்துவதையும், பல்லாயிரக்கணக்கான யூரோக்களில் மதிப்பிடப்பட்ட மதிப்பீட்டைத் தொடர்வதையும் பார்த்தது. ஒரு நம்பகமான குரல் அடுக்கு நிறுவனம் ஒரு முழு அடுக்கை விரும்பும் நிறுவன வாங்குபவர்களுக்கு ஒரு பதிலை வழங்குகிறது - உரை, குறியீடு மற்றும் இப்போது பேச்சு - எல்லாவற்றையும் ஒரு அமெரிக்க வழங்குநர் மூலம் திசைதிருப்பாமல்.

_இந்த கட்டுரை Mistral AI இன் அதிகாரப்பூர்வ Voxtral 3 அறிவிப்பு மற்றும் ஹேக்கர் செய்திகள் பற்றிய சமூக விவாதத்தை அடிப்படையாகக் கொண்டது._

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →