Mistral AI Salı günü, Fransız AI şirketinin dinleme, akıl yürütme, araç çağırma ve konuşma sentezini tek bir gerçek zamanlı akış hattında birleştirdiğini söylediği yeni bir konuşma modelleri ailesi ve bir ses aracısı SDK'sı olan Voxtral 3'ü duyurdu. Mistral'in resmi blogunda yayınlanan sürüm, iletişim merkezlerini, hizmet masalarını, sanal asistanları ve eller serbest yardımcı pilotları (sesli yapay zeka pazarının gecikme ve doğruluğun doğrudan arayanların telefonu kapatıp kapatmadığına dönüştüğü kısımları) hedef alıyor.
Duyuru, Mistral'in sitesinde Fransızca sözlü bir talebi yerine getiren bir temsilciyi gösteren canlı bir gösteriyle birlikte yayınlandı: Arayan, doktorundan gelen bir sevk mektubunu okuyor, temsilci bunu yazıya döküyor, bir rezervasyon aracını çağırıyor ve randevuyu onaylıyor - konuşmanın ortasında diller arasında geçiş yapıyor. For more context on this story, see our ongoing artificial intelligence updates.
Mistral Aslında Ne Gönderdi?
Voxtral 3 tek bir model değil, bir yığındır. Konuşmayı metne dönüştürme tarafı, Mistral'in çok dilli transkripsiyon, konuşmacı günlüğü tutma ve bağlam saptırmada son teknoloji ürünü olarak tanımladığı Voxtral Small Transcribe 3 tarafından yönetiliyor. Dil desteği artık 24 resmi AB dilinin tamamı ve şirketin düşük kaynaklı Asya ve Hint dilleri olarak adlandırdığı diller de dahil olmak üzere 50 dili kapsıyor.
Üç yetenek özellikle vurgulanıyor. Günlük oluşturma, çok hoparlörlü seste kimin ne söylediğini tanımlar. Bağlama ağırlık verme, geliştiricilerin anahtar terimleri (ürün adları, ilaç kodları, teknik sözcükler) beslemesine olanak tanır; böylece transcriber, alana özgü sözcükleri ince ayar yapmadan hatırlar. Dönüş sonu tespiti, temsilcinin konuşmacının gerçekten ne zaman bitirdiğini bilmesini sağlar, böylece garip gecikmeler veya kesintiler olmadan yanıt verebilir.
Nesil tarafında ise Voxtral Mini TTS 3, 35'ten fazla dil ve 50'den fazla lehçe desteğiyle, konuşma bağlamına göre duyguyu, tempoyu ve vurguyu ayarlayan sesler sunuyor. Ayrı bir Pro Voice uyarlama özelliği, yalnızca 30 dakikalık referans sesten belirli bir konuşmacının vokal karakterini ve konuşma stilini diller arasında yeniden üretir; bu, ses klonlamaya doğru ilerleyen ve muhtemelen izin cephesinde incelemeye neden olacak bir yetenektir.
Karşılaştırmalı Talepler ve Fiyatlandırma
Duyuruya göre Voxtral Small Transcribe 3, zorunlu ve çıkarımlı ayarlar için düşük tek haneli rakamlarda belirtilen kelime hatası oranlarıyla OpenAI'nin Whisper, Amazon'un Scribe v2 ve Gemini 3.5 Transcribe on Artificial Analysis'in FLEURS tabanlı çok dilli transkripsiyon ve günlük oluşturma değerlendirmelerinden daha iyi performans gösteriyor. Her zaman olduğu gibi, satıcı tarafından yayınlanan kıyaslamalar bağımsız onayı hak ediyor, ancak iddia Mistral'in transkripsiyon cihazını çok dilli kalabalık bir paketin önünde konumlandırıyor.
Fiyatlandırma agresif. 4 milyar parametreli daha küçük bir model olan transcriber, sesin dakikası başına 0,0035 ABD dolarına mal oluyor ve bu da onu tipik kurumsal transkripsiyon bütçelerinin çok altında ve yüksek hacimli iletişim merkezi iş yüklerinin erişebileceği bir yerde konumlandırıyor.
SDK'nın kendisi bağ dokusudur: transkripsiyonun, bir akıl yürütme modelinin, aracın iş sistemlerine çağrı yaptığı ve konuşma sentezinin tek bir akış oturumu olarak çalıştığı bir boru hattını ortaya çıkarır. Mistral'in demosunda temsilci, canlı bir görüşme sırasında bir rezervasyon sistemini alır, bir yer ayırtmak için bir araç çağrısı gerçekleştirir ve bir onay söyler.
Egemenlik Satış Konuşmasıdır
Mistral dağıtım kontrolüne sıkı sıkıya bağlı. Voxtral 3 bugün Mistral'in AB tarafından barındırılan API'si aracılığıyla veya müşteri altyapısı üzerinde kendi kendine konuşlandırma için mevcut olup, kuruluşların sesin nerede işleneceğine, verilerin nasıl işleneceğine ve konuşmaların saklanıp saklanmayacağına karar vermesine olanak tanır.
Bu çerçeve tesadüf değil. Avrupa'daki hastaneler, bankalar ve kamu kurumları, ses verileri konusunda katı kurallarla karşı karşıyadır ve ABD'deki hiper ölçekleyicilerin barındırdığı ses API'leri, veri yerleşimi gerektiren satın alma süreçlerinde dirençle karşılaşmaktadır. Markasını "egemen yapay zeka" etrafında inşa eden Mistral, Voxtral 3'ü Avrupa yasal incelemesinden geçen ses yığını olarak konumlandırıyor.
Ses Temsilcileri Neden Güçlü Kalıyor?
Mistral, duyurusunda sorunu açıkça ortaya koyuyor: Güvenilir bir ses temsilcisinin aynı anda dört zor şeyi yapması gerekiyor. Dilleri, aksanları, konuşmacıları ve kesintileri doğru bir şekilde dinlemelidir; Bir kullanıcının belirli bir bağlamda ne demek istediği hakkında derinlemesine düşünme; duygu ve ifadeyle doğal bir şekilde konuşun; ve bağlı sistemlerde birden fazla adımda harekete geçin. Her biri şu veya bu ürün tarafından ayrı ayrı çözüldü. Canlı bir telefon görüşmesinde dördünün de gerçek zamanlı olarak birlikte çalışmasını sağlamak nadir görülen bir durum.
Arıza modları, otomatik bir hattı arayan herkese aşinadır: Temsilci, arayan kişi üzerinden konuşur çünkü cümlenin bitip bitmediğine yanlış karar verir veya bir ilaç adını doğru şekilde yazar ancak planlama sistemiyle bağlantısı olmadığı için buna göre hareket edemez. Mistral, dönüş sonu tespiti, bağlam önyargısı ve araç çağrısını bir araya getirilecek ayrı ürünler yerine tek bir SDK'nın birinci sınıf parçaları olarak paketleyerek, sesli yapay zeka pilotlarını dağıtımlara dönüştüren şeyin yalnızca ham model kalitesi değil, entegrasyon basitliği olduğuna bahse giriyor.
Kalabalık, Hızlı Hareket Eden Bir Pazar
Decoder, lansmanı "gerçek zamanlı olarak dinleyen, düşünen ve konuşan bir tam sesli ajan yığını" olarak nitelendirdi ve sürüm, birkaç saat içinde 380'den fazla puan topladığı Hacker News'te hemen dikkat çekti. Voice AI, AI yığınının en tartışmalı katmanlarından biri haline geldi; her büyük laboratuvar, konuşma-konuşma modelleri gönderiyor ve bir dizi yeni girişim, aracı çerçeveleri oluşturuyor.
Voxtral 3'ü en azından kağıt üzerinde ayıran şey, açık dağıtım seçeneklerinin, emtia seviyelerinde dakika başına fiyatlandırmanın ve daha sonra devreye girmek yerine ses döngüsü içinde yerel araç çağırmanın birleşimidir. Karşılaştırmalı müşteri adaylarının üretim gürültüsüne (vurgulu konuşma, telefon hattı sesi, örtüşen hoparlörler) dayanıp dayanmayacağı, iletişim merkezi alıcılarının gerçekten geçiş yapıp yapmayacağını belirleyecek.
Mistral için lansman aynı zamanda şirketin Timestral zaman serisi tahmin modellerini yayınladığı, CERN ile fizik alanında yapay zeka konusunda ortaklığını derinleştirdiği ve on milyarlarca avro civarında olduğu bildirilen bir değerleme peşinde koştuğu yoğun bir dönemi de tamamlıyor. Güvenilir bir ses yığını, şirkete, her şeyi ABD'li bir sağlayıcı aracılığıyla yönlendirmeden tam bir yığın (metin, kod ve şimdi de konuşma) isteyen kurumsal alıcılar için bir yanıt sağlıyor.
_Bu makale Mistral AI'nin resmi Voxtral 3 duyurusuna ve Hacker News'teki topluluk tartışmasına dayanmaktadır._
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
