شركة Mistral تطلق عائلة Voxtral 3: دعم 50 لغة ووكلاء صوتيون للمؤسسات

أطلقت شركة Mistral AI الفرنسية عائلة نماذج Voxtral 3 المصممة لبناء وكلاء صوتيين متكاملين لقطاع المؤسسات. يجمع هذا الإصدار بين تقنيات التعرف الآلي على الكلام (STT)، وتوليد الصوت (TTS)، وحزمة Voice Agent SDK مخصصة. وينصب التركيز الرئيسي على خفض زمن الاستجابة إلى أقل من 500 مللي ثانية وإتاحة إمكانية نشر البنية التحتية بالكامل محلياً أو عبر مراكز بيانات داخل الاتحاد الأوروبي، مما يتيح للشركات الامتثال لمتطلبات السيادة على البيانات دون الحاجة إلى إرسال التسجيلات الصوتية الخام إلى مزودين خارجيين في الولايات المتحدة.

بنية التعرف على الكلام ومؤشرات الأداء

يدعم نموذج Voxtral Small Transcribe 3 نحو 50 لغة، بما في ذلك 24 لغة رسمية في الاتحاد الأوروبي، إلى جانب لهجات آسيوية وهندية نادرة. وتدمج البنية الهندسية وظائف فصل المتحدثين (diarization) مع آلية انحياز السياق (context biasing)، التي تسمح بتمرير قوائم المصطلحات شديدة التخصص لرفع الدقة دون إعادة تدريب الأوزان. وفي مؤشر FLEURS 45 متعدد اللغات، حقق النموذج معدل خطأ في الكلمات (WER) بلغ 4.0–4.1%، متفوقاً على Whisper large-v3 بنسبة (14.9%)، وGemini 3.5 Transcribe بنسبة (4.5%)، وScribe v2 بنسبة (4.9%).

أما النسخة المدمجة Voxtral Mini Transcribe 3، التي تضم 4 مليارات معامل، فقد تم تحسينها لتقليل تكلفة الاستدلال إلى الحد الأدنى، حيث تبلغ تكلفة المعالجة 0.0035$ لكل دقيقة صوتية. ولدعم الوكلاء خصيصاً، تم تطوير إصدار Voxtral Realtime Transcribe 3 المزود بخاصية التنبؤ بنهاية دور المتحدث (end-of-turn prediction) المدمجة أصلياً؛ إذ تحلل الخوارزمية المؤشرات الصوتية والدلالية في الوقت نفسه لضمان تدخل الوكيل الافتراضي في الحوار دون توقفات مصطنعة، ودون مقاطعة المستخدم في منتصف كلمته.

توليد الكلام المعتمد على السياق

يتولى نموذج Voxtral Mini TTS 3.0 مهام توليد الصوت بدعم لأكثر من 35 لغة و50 لهجة. يقيّم النموذج السياق العاطفي للأمر المدخل ويضبط تلقائياً النبرة والإيقاع والتأكيدات الدلالية دون الحاجة إلى تضمين وسوم التعبير يدوياً. كما يتوفر للمطورين أداة Pro Voice، التي تتيح استنساخ أسلوب المتحدث ولهجته ونطاقه العاطفي بالاعتماد على 30 دقيقة فقط من الصوت المرجعي.

أبرز مواصفات ومقاييس عائلة Voxtral 3:

• دقة التعرف: معدل خطأ 4.0% WER على مؤشر FLEURS 45، ودقة 94.6% في استخراج المصطلحات الرئيسية مع التوجيه السياقي؛
• فصل المتحدثين: معدل 18.4% cpWER على مجموعات البيانات المختلطة AMI وSwitchboard وAISHELL-4؛
• زمن استجابة المعالجة الفورية: أقل من 500 مللي ثانية في وضع Voxtral Mini Realtime 3؛
• التسعير: 0.0035$ لكل دقيقة تفريغ صوتي (Mini)، و13$ لكل 1 مليون رمز توليد (TTS)؛
• البنية التحتية: واجهة برمجة تطبيقات (API) مستضافة في الاتحاد الأوروبي، أو نشر محلي كامل (on-premise) للبيئات المعزولة.

يحول إطلاق حزمة SDK المدعومة بميزة استدعاء الدوال (function calling) عائلة Voxtral 3 إلى منصة جاهزة لمراكز الاتصال الهاتفي، ومكاتب الاستقبال الطبية، وخدمات الدعم الفني. وفي سيناريو تجريبي، لم يقتصر دور الوكيل على تفريغ إحالة طبية إلى طبيب جلدية بالفرنسية، بل استدعى بالتوازي واجهة برمجة التطبيقات الداخلية للعيادة، ووجد موعداً متاحاً، وأكد الحجز باللغة الإنجليزية. ويمنح توفير وصول مباشر للأوزان من أجل التشغيل المحلي شركة Mistral ميزة تنافسية قوية في القطاعات الأوروبية الخاضعة للأطر التنظيمية، حيث يُحظر استخدام واجهات الصوت السحابية التابعة لشركتي OpenAI أو Google بموجب متطلبات الامتثال.