Mistral, החברה הצרפתית העומדת מאחורי Le Chat, השיקה ב-20 באוקטובר את Voxtral 3: מערכת מודלים להמרת דיבור לטקסט ולהמרת טקסט לדיבור, יחד עם ערכת פיתוח (SDK) לבניית סוכני קול שמאזינים, חושבים, מדברים ופועלים.

המודלים והמחירים

Voxtral Small Transcribe 3: מודל התמלול המדויק ביותר, 0.004 דולר לדקה.
Voxtral Mini Transcribe 3: תמלול באצווה (batch), 4 מיליארד פרמטרים, 0.0035 דולר לדקה.
Voxtral Mini Transcribe Realtime 3: תמלול בזמן אמת עבור סוכנים, 0.008 דולר לדקה, עם זמן השהיה של פחות מ-500 אלפיות השנייה.
Voxtral Mini TTS 3: המרת טקסט לדיבור באצווה ובזמן אמת, 13 דולר למיליון תווים.
ערכת פיתוח לסוכני קול: בנויה על גבי LiveKit, 0.04 דולר לדקה כאשר Mistral Small 4 מבצעת את ההיסק, או 0.08 דולר עם מודל גדול יותר. לפי Mistral, כל תור בשיחה עם הסוכן מסתיים תוך פחות משנייה.

שפות וקולות

מודלי Transcribe 3 מכסים יותר מ-50 שפות, כולל כל 24 השפות הרשמיות של האיחוד האירופי. מודל הדיבור מכסה למעלה מ-35 שפות ו-50 ניבים, מקבל הנחיות לגבי רגש, קצב ודגש, ומציע קולות מוגדרים מראש ב-18 שפות. הוא תומך גם בשכפול קול, ואפשרות Pro Voice מתאימה קול מתוך 30 דקות של הקלטת דובר.

בבדיקות הביצועים של Mistral עצמה, Voxtral Small Transcribe 3 מוביל בתמלול המזהה דוברים: שיעור שגיאות של 18.4%, לעומת 23.0% ב-ElevenLabs Scribe v2 ו-38.4% ב-Gemini 3.5 Transcribe. Mistral טוענת גם ש-Voxtral Small עולה על Whisper במבחן הרב-לשוני FLEURS, ושמודל הדיבור שלה זול יותר להפעלה מ-OpenAI TTS-1, Deepgram, ElevenLabs Flash ו-Gemini Flash. מדובר בנתונים מטעם החברה עצמה, לא בבדיקות עצמאיות.

היכן זה פועל

Voxtral 3 זמין כעת דרך ה-API של Mistral, המתארח באיחוד האירופי עם נקודות קצה בארה"ב וברחבי העולם, וכן בסביבות הבדיקה של Mistral Studio לבדיקת תמלול, דיבור, שכפול קול וסוכנים. חברות יכולות גם לפרוס אותו על תשתית עצמאית; הטמעות מקומיות (on-premises) ובענן פרטי מתבצעות דרך צוות המכירות של Mistral.

למי זה חשוב

ההשקה מיועדת למפתחים הבונים בוטים למוקדי שירות, תמלול פגישות ועוזרים קוליים, במיוחד עבור מי שצריך שהאודיו יישאר באיחוד האירופי או על שרתים עצמאיים.

המשמעות עבור מי שזקוק לבינה מלאכותית לדיבור

אם אתם מתמללים פגישות או שיחות בכמה שפות, כדאי לבדוק את Voxtral Mini במחיר של 0.0035 דולר לדקה מול מודל ה-Whisper הפתוח שאולי כבר אתם מריצים.

אם אתם זקוקים לקולות טבעיים עבור תוכן, ElevenLabs עדיין מהווה את הסטודיו המוכן לשימוש; Voxtral הוא API המיועד למפתחים, ולכן כדאי להשוות אותו מול הטקסטים שלכם לפני מעבר.