Voxtral 3: منظومة تقنية متكاملة من Mistral لوكلاء الصوت
يقدّم Voxtral 3 من Mistral نماذج لتحويل الكلام إلى نص والنص إلى كلام وSDK لوكلاء الصوت، بدءًا من 0.0035 دولار للدقيقة. إليكم ما يقدّمه وكم يكلّف.
هذا المقال بلغات أخرى:DeutschEnglishEspañolFrançaisItaliano日本語Polski简体中文
في هذا المقال
في 20 أكتوبر، أطلقت Mistral نموذج Voxtral 3، وهو عائلة جديدة من النماذج لتحويل الكلام إلى نص والنص إلى كلام، إلى جانب SDK لبناء وكلاء الصوت. كل ذلك متاح عبر واجهة Mistral البرمجية، وقد حصد الإعلان قرابة 500 نقطة في نقاش Hacker News.
ما الجديد في Voxtral 3؟
وفقًا للإعلان، يضم Voxtral 3 أربعة نماذج وSDK واحدًا:
- Voxtral Small Transcribe 3 – أدق نماذج التفريغ النصي، مع التعرّف على المتحدثين (ما يُعرف بـ «diarization») واقتراح المصطلحات المتخصصة واكتشاف نهاية الكلام.
- Voxtral Mini Transcribe 3 – نموذج أصغر (4B معامل) للتفريغ النصي.
- Voxtral Mini Transcribe Realtime 3 – تفريغ نصي مباشر بزمن استجابة أقل من 500 ms، مصمم للوكلاء.
- Voxtral Speech 3 – توليد كلام مع التحكم في العاطفة والسرعة والنبرة. ووفقًا لتوثيق النموذج، يصدر أول صوت بعد نحو 90 ms.
ويُضاف إلى ذلك SDK لوكلاء الصوت مبني على LiveKit. يعمل الاستماع والاستدلال واستدعاء الأدوات والتحدث في تدفق واحد، ووفقًا لـ Mistral تُعالَج كل جولة من المحادثة في أقل من ثانية. يمكن للوكيل استخدام البحث على الويب وبيانات من أنظمتنا، ويمكن الاتصال به عبر SIP (أي هاتف عادي) أو WebRTC.
ويستطيع Voxtral Speech 3 أيضًا استنساخ الأصوات. يتطلب الاستنساخ الأساسي أكثر من 30 دقيقة من التسجيلات، أما للاستخدامات الاحترافية فتقدّم Mistral ما يُعرف بـ «Pro Voice»، التي تنقل وفقًا للإعلان الأسلوب المميز للمتحدث أيضًا.
كم يكلّف Voxtral 3؟
الأسعار الواردة في الإعلان:
| النموذج | السعر |
|---|---|
| Voxtral Small Transcribe 3 | 0.004 دولار للدقيقة |
| Voxtral Mini Transcribe 3 | 0.0035 دولار للدقيقة |
| Voxtral Mini Transcribe Realtime 3 | 0.008 دولار للدقيقة |
| Voxtral Speech 3 | 13 دولارًا لكل مليون حرف |
| واجهة وكلاء الصوت | 0.04 دولار للدقيقة (مع Mistral Small 4) أو 0.08 دولار للدقيقة (مع نموذج آخر) |
أي أن ساعة من التفريغ النصي بأصغر نموذج تكلّف نحو 21 سنتًا. تقارن Mistral نفسها هنا بـ Whisper وElevenLabs وDeepgram وGemini، لكن هذه قياسات الشركة وحدها، لذا سأنتظر اختبارات مستقلة قبل الحكم.
هل يدعم Voxtral 3 اللغة العربية؟
على الأقل في التفريغ النصي، الدعم واسع: وفقًا للإعلان، تدعم نماذج تحويل الكلام إلى نص أكثر من 50 لغة، منها جميع لغات الاتحاد الأوروبي الرسمية الـ 24، وفق معيار FLEURS.
أما توليد الكلام فالصورة أقل وضوحًا. يتحدث الإعلان عن أكثر من 35 لغة و50 لهجة في مكتبة الأصوات، لكن بطاقة النموذج في التوثيق تذكر 9 لغات (جرّب الصوت بلغتك في الـ playground قبل أن تبني عليه أي شيء).
هل هناك ما يعيبه؟
نعم، وهذا تحديدًا ما يهيمن على النقاش في Hacker News. فقد كانت نماذج Voxtral السابقة مفتوحة الأوزان (مثل Voxtral Mini 3B على Hugging Face)، لكن إعلان Voxtral 3 لا يذكر الأوزان ولا الترخيص. تكتب Mistral عن «self-deployment on your own infrastructure»، لكن النشر المحلي (on-premise) يتطلب التواصل مع فريق المبيعات. وقد لخّص أحد المعلّقين الأمر باختصار: «Closed model unfortunately».
وآراء الجودة متباينة أيضًا. يشيد بعضهم بالتفريغ النصي والتعرّف على المتحدثين في الإصدارات السابقة، فيما يكتب آخرون أن الأصوات الجديدة في العرض التوضيحي تبدو أكثر اصطناعية، ويوصون بـ Parakeet للتفريغ النصي محليًا. لذا لنتعامل مع الإعلان بحذر إلى أن نرى اختبارات أوسع.
كيف نجرّب Voxtral 3؟
أمامنا طريقان:
- ساحات التجربة (playgrounds) في Mistral Studio – يمكن هناك اختبار التفريغ النصي وتوليد الكلام واستنساخ الصوت ووكلاء الصوت، بعد تسجيل الدخول إلى منصة Mistral.
- API – ننشئ المفتاح في المنصة، والتفاصيل موجودة في توثيق الصوت. تعمل نقاط الوصول في الاتحاد الأوروبي والولايات المتحدة وعالميًا.
إن كنا نبحث عن شيء نشغّله على أجهزتنا، فلن يفي Voxtral 3 بالغرض (على الأقل حاليًا). الأفضل حينها اللجوء إلى الإصدارات الأقدم المفتوحة وتشغيل الذكاء الاصطناعي محليًا. ومن يبني وكيل صوت سريعًا يمكنه مقارنة Voxtral 3 بـ Mercury Voice، الذي عرضته Inception مع Mercury 3.
الأسئلة الشائعة
هل Voxtral 3 مفتوح المصدر؟
لا شيء يشير إلى ذلك حتى الآن. لا يذكر الإعلان ترخيصًا ولا روابط للأوزان، والنشر على بنية تحتية خاصة يتطلب التواصل مع Mistral. أما الأوزان المفتوحة فهي لنماذج Voxtral الأقدم.
كم يكلّف التفريغ النصي في Voxtral 3؟
من 0.0035 دولار للدقيقة (Voxtral Mini Transcribe 3) إلى 0.008 دولار للدقيقة في الوضع المباشر. ويكلّف توليد الكلام 13 دولارًا لكل مليون حرف.
بماذا يختلف Voxtral 3 عن Voxtral السابق؟
كانت الإصدارات السابقة نماذج منفصلة للتفريغ النصي أو لتوليد الكلام، ومعظمها مفتوح الأوزان. أما Voxtral 3 فهو عائلة كاملة من النماذج مع SDK لوكلاء الصوت، متاحة عبر API.