Mistral AI نے منگل کو Voxtral 3 کا اعلان کیا، تقریری ماڈلز کی ایک نئی فیملی اور صوتی ایجنٹ SDK جس کے بارے میں فرانسیسی AI کمپنی کا کہنا ہے کہ ایک ہی ریئل ٹائم اسٹریمنگ پائپ لائن میں سننے، استدلال، ٹول کالنگ، اور تقریر کی ترکیب کو یکجا کرتا ہے۔ Mistral کے آفیشل بلاگ پر شائع ہونے والی ریلیز، رابطہ مراکز، سروس ڈیسک، ورچوئل اسسٹنٹس، اور ہینڈز فری کوپائلٹس کو نشانہ بناتی ہے - وائس اے آئی مارکیٹ کے وہ حصے جہاں لیٹنسی اور درستگی براہ راست اس بات میں ترجمہ کرتی ہے کہ آیا کال کرنے والے ہینگ اپ ہوتے ہیں۔

یہ اعلان Mistral کی سائٹ پر ایک براہ راست مظاہرے کے ساتھ ہوا جس میں ایک ایجنٹ کو فرانسیسی زبان میں بولی جانے والی درخواست کو ہینڈل کرتے ہوئے دکھایا گیا: ایک کال کرنے والا اپنے ڈاکٹر کا ایک حوالہ خط پڑھتا ہے، ایجنٹ اسے نقل کرتا ہے، بکنگ ٹول کو کال کرتا ہے، اور ملاقات کی تصدیق کرتا ہے — زبانوں کے درمیان بات چیت کے درمیان سوئچنگ۔ For more context on this story, see our ongoing AI news.

کیا Mistral اصل میں بھیج دیا

Voxtral 3 ایک ماڈل نہیں بلکہ ایک اسٹیک ہے۔ اسپیچ ٹو ٹیکسٹ سائیڈ کی قیادت Voxtral Small Transscribe 3 کرتی ہے، جسے Mistral نے کثیر لسانی ٹرانسکرپشن، اسپیکر ڈائرائزیشن، اور سیاق و سباق کی طرفداری میں جدید ترین بیان کیا ہے۔ زبان کی حمایت اب 50 زبانوں کا احاطہ کرتی ہے، بشمول تمام 24 EU زبانیں اور جسے کمپنی بہت کم وسائل والی ایشیائی اور ہندی زبانیں کہتی ہے۔

تین صلاحیتوں پر خاص زور دیا جاتا ہے۔ ڈائرائزیشن اس بات کی نشاندہی کرتی ہے کہ ملٹی اسپیکر آڈیو میں کس نے کیا کہا۔ سیاق و سباق کا تعصب ڈویلپرز کو کلیدی اصطلاحات — پروڈکٹ کے نام، منشیات کے کوڈز، تکنیکی الفاظ — کو فیڈ کرنے دیتا ہے لہذا ٹرانسکرائبر ڈومین کے مخصوص الفاظ کو بغیر کسی ٹھیک ٹیوننگ کے یاد کرتا ہے۔ اختتامی باری کا پتہ لگانے سے ایک ایجنٹ کو پتہ چل جاتا ہے کہ سپیکر کب ختم ہو گیا ہے، لہذا یہ عجیب تاخیر یا رکاوٹوں کے بغیر جواب دے سکتا ہے۔

جنریشن سائیڈ پر، Voxtral Mini TTS 3 ایسی آوازیں متعارف کراتا ہے جو 35 سے زیادہ زبانوں اور 50 سے زیادہ بولیوں کے لیے سپورٹ کے ساتھ بات چیت کے سیاق و سباق کی بنیاد پر جذبات، رفتار اور زور کو ایڈجسٹ کرتی ہیں۔ ایک الگ پرو وائس موافقت کی خصوصیت صرف 30 منٹ کے حوالہ آڈیو سے ایک مخصوص اسپیکر کے مخر کردار اور بولنے کے انداز کو تمام زبانوں میں دوبارہ پیش کرتی ہے - ایک ایسی صلاحیت جو آواز کی کلوننگ کی طرف جاتی ہے اور ممکنہ طور پر رضامندی کے محاذ پر جانچ پڑتال کرے گی۔

بینچ مارک کے دعوے اور قیمتوں کا تعین

اعلان کے مطابق، Voxtral Small Transcribe 3 OpenAI کے Whisper، Amazon کے Scribe v2، اور Gemini 3.5 کو مصنوعی تجزیہ کے FLEURS پر مبنی کثیر لسانی ٹرانسکرپشن اور ڈائیرائزیشن کی تشخیص پر بہتر کارکردگی کا مظاہرہ کرتا ہے، جس میں لفظ کی غلطی کی شرحیں جبری سنگل اور کم سنگل سیٹنگ میں درج کی گئی ہیں۔ ہمیشہ کی طرح، وینڈر کے شائع کردہ بینچ مارکس آزاد تصدیق کے مستحق ہیں، لیکن دعویٰ Mistral کے ٹرانسکرائبر کو ایک پرہجوم کثیر لسانی پیک کے سامنے رکھتا ہے۔

قیمتوں کا تعین جارحانہ ہے۔ چھوٹے ٹرانسکرائبر، ایک 4-بلین پیرامیٹر ماڈل، کی قیمت $0.0035 فی منٹ آڈیو ہے، جو اسے عام انٹرپرائز ٹرانسکرپشن بجٹ کے تحت اور اعلیٰ حجم کے رابطہ مرکز کے کام کے بوجھ کی پہنچ کے اندر رکھتی ہے۔

SDK خود کنیکٹیو ٹشو ہے: یہ ایک پائپ لائن کو بے نقاب کرتا ہے جہاں ٹرانسکرپشن، ایک ریجننگ ماڈل، ٹول کالز ٹو بزنس سسٹمز، اور سپیچ سنتھیسز ایک سٹریمنگ سیشن کے طور پر چلتے ہیں۔ Mistral کے ڈیمو میں، ایجنٹ ایک بکنگ سسٹم کو بازیافت کرتا ہے، سلاٹ ریزرو کرنے کے لیے ایک ٹول کال کرتا ہے، اور تصدیقی بولتا ہے - یہ سب ایک لائیو گفتگو کے دوران ہوتا ہے۔

خودمختاری سیلز پچ ہے۔

Mistral تعیناتی کنٹرول پر سخت جھکاؤ رکھتا ہے۔ Voxtral 3 آج Mistral کے EU-hosted API کے ذریعے دستیاب ہے یا کسٹمر کے بنیادی ڈھانچے پر خود تعیناتی کے لیے، تنظیموں کو یہ فیصلہ کرنے دیتا ہے کہ آڈیو کہاں پروسیس کیا جاتا ہے، ڈیٹا کیسے ہینڈل کیا جاتا ہے، اور کیا بات چیت کو بالکل برقرار رکھا جاتا ہے۔

یہ فریمنگ کوئی حادثہ نہیں ہے۔ یوروپی ہسپتالوں، بینکوں اور عوامی ایجنسیوں کو صوتی ڈیٹا پر سخت قوانین کا سامنا ہے، اور یو ایس ہائپر اسکیلرز کے میزبان وائس APIs کو پروکیورمنٹ کے عمل میں مزاحمت کا سامنا کرنا پڑا ہے جس کے لیے ڈیٹا کی رہائش کی ضرورت ہوتی ہے۔ Mistral، جس نے اپنا برانڈ "خودمختار AI" کے ارد گرد بنایا ہے، Voxtral 3 کو وائس اسٹیک کے طور پر پوزیشن دے رہا ہے جو یورپی قانونی جائزے کو پاس کرتا ہے۔

وائس ایجنٹس کیوں سخت رہتے ہیں۔

اپنے اعلان میں، Mistral نے مسئلہ کو واضح طور پر بیان کیا: ایک قابل اعتماد وائس ایجنٹ کو بیک وقت چار مشکل کام کرنے کی ضرورت ہے۔ اسے تمام زبانوں، لہجوں، بولنے والوں اور رکاوٹوں میں درست طریقے سے سننا چاہیے۔ اس بارے میں گہرائی سے استدلال کریں کہ کسی مخصوص تناظر میں صارف کا کیا مطلب ہے۔ جذبات اور اظہار کے ساتھ قدرتی طور پر بات کریں؛ اور منسلک نظاموں میں متعدد مراحل پر کارروائی کریں۔ ہر ایک کو کسی نہ کسی مصنوع یا دوسرے کے ذریعہ تنہائی میں حل کیا گیا ہے۔ حقیقی وقت میں، لائیو فون کال پر، چاروں کو ایک ساتھ کام کرنے کے لیے حاصل کرنا نایاب ہے۔

ناکامی کے طریقے ہر اس شخص سے واقف ہیں جس نے خودکار لائن کال کی ہے: ایجنٹ کال کرنے والے سے بات کرتا ہے کیونکہ اس نے غلط اندازہ لگایا کہ آیا جملہ ختم ہوا ہے، یا اس نے دوا کا نام صحیح طور پر نقل کیا ہے لیکن اس پر عمل نہیں کر سکتا کیونکہ اس کا شیڈولنگ سسٹم سے کوئی تعلق نہیں ہے۔ ایک ساتھ سلائی کرنے کے لیے الگ الگ پروڈکٹس کی بجائے ایک SDK کے فرسٹ کلاس حصوں کے طور پر اختتامی موڑ کا پتہ لگانے، سیاق و سباق کی طرفداری، اور ٹول کالنگ کے ذریعے، Mistral شرط لگا رہا ہے کہ انضمام کی سادگی - اکیلے خام ماڈل کا معیار نہیں - وہی ہے جو وائس AI پائلٹس کو تعیناتیوں میں تبدیل کرتا ہے۔

ایک ہجوم، تیز رفتار مارکیٹ

ڈیکوڈر نے لانچ کو "مکمل وائس ایجنٹ اسٹیک جو حقیقی وقت میں سنتا، سوچتا اور بات کرتا ہے" کے طور پر نمایاں کیا، اور ریلیز نے ہیکر نیوز پر فوری توجہ مبذول کرائی، جہاں اس نے گھنٹوں میں 380 سے زیادہ پوائنٹس اکٹھے کیے تھے۔ وائس AI AI اسٹیک کی سب سے زیادہ مقابلہ کرنے والی پرتوں میں سے ایک بن گیا ہے، جس میں ہر بڑی لیب میں اسپیچ ٹو اسپیچ ماڈلز اور اسٹارٹ اپ بلڈنگ ایجنٹ فریم ورک کی لہر سب سے اوپر ہے۔

کم از کم کاغذ پر جو چیز Voxtral 3 کو ممتاز کرتی ہے، وہ ہے کھلی تعیناتی کے اختیارات، اشیاء کی سطح پر فی منٹ قیمتوں کا تعین، اور بعد میں بولٹ کرنے کے بجائے وائس لوپ کے اندر مقامی ٹول کالنگ۔ آیا بینچ مارک لیڈز پروڈکشن شور میں برقرار ہے - لہجے والی تقریر، فون لائن آڈیو، اوورلیپنگ اسپیکر - یہ فیصلہ کرے گا کہ آیا رابطہ سینٹر کے خریدار واقعی سوئچ کرتے ہیں۔

Mistral کے لیے، لانچ ایک مصروف عمل کو بھی دور کرتا ہے جس نے کمپنی کو Timestral ٹائم سیریز کی پیشن گوئی کے ماڈلز جاری کرتے ہوئے، طبیعیات کے لیے AI پر CERN کے ساتھ شراکت کو گہرا کرتے ہوئے دیکھا ہے، اور مبینہ طور پر دسیوں بلین یورو میں قدر کا تعاقب کیا ہے۔ ایک قابل اعتماد صوتی اسٹیک کمپنی کو انٹرپرائز خریداروں کے لیے ایک جواب دیتا ہے جو ایک مکمل اسٹیک چاہتے ہیں — ٹیکسٹ، کوڈ، اور اب اسپیچ — امریکی فراہم کنندہ کے ذریعے ہر چیز کو روٹ کیے بغیر۔

_یہ مضمون Mistral AI کے سرکاری Voxtral 3 کے اعلان اور ہیکر نیوز پر کمیونٹی کی بحث پر مبنی ہے۔_

---

Stay Ahead of AI

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

Read more AI news →