Mistral نسخه جدید Voxtral 3 را معرفی کرد

Mistral، شرکت فرانسوی فعال در حوزه‌ی هوش مصنوعی، به‌تازگی نسخه‌ی جدیدی از مدل‌های گفتاری خود به نام Voxtral 3 را معرفی کرده است. این نسخه که در تاریخ ۲۰ اکتبر ۲۰۲۶ منتشر شد، شامل به‌روزرسانی‌هایی در مدل‌های تبدیل گفتار به متن و تولید گفتار است و همچنین یک کیت توسعه‌ی نرم‌افزار (SDK) برای ساخت عوامل صوتی ارائه می‌دهد.

مدل‌های جدید شامل سه مدل تبدیل گفتار به متن و دو مدل تولید گفتار هستند. Voxtral Mini Transcribe 3 برای پردازش صدای ضبط‌شده طراحی شده و Voxtral Small Transcribe 3 دقت بالاتری را ارائه می‌دهد. همچنین، Voxtral Mini Transcribe Realtime 3 به‌منظور تبدیل زنده‌ی گفتار به متن طراحی شده است که شامل زیرنویس و عوامل صوتی می‌شود. در بخش تولید گفتار، Voxtral TTS 3 متن کامل را به گفتار تبدیل می‌کند و Voxtral TTS Realtime 3 گفتار را در حین مکالمات زنده تولید می‌کند.

Mistral در این به‌روزرسانی، پشتیبانی از ۵۰ زبان را برای مدل‌های جدید خود اضافه کرده است که این عدد نسبت به ۱۳ زبان در نسخه‌ی قبلی Voxtral Transcribe 2 افزایش یافته است. مدل زنده‌ی جدید نیز ۴۵ زبان و گویش را پوشش می‌دهد. همچنین، قابلیت‌های جدیدی مانند شناسایی سخنران و تشخیص پایان صحبت کردن افراد به مدل‌های زنده اضافه شده است، که به عوامل صوتی کمک می‌کند تا زمان پاسخ‌دهی را تعیین کنند.

این به‌روزرسانی همچنین شامل حذف زمان‌بندی کلمات در سطح واژه است. به‌عبارتی، مدل‌های صوتی ضبط‌شده تنها زمان‌بندی در سطح بخش را ارائه می‌دهند و برای نیاز به زمان‌بندی دقیق کلمات، کاربران باید از ابزارهای دیگر استفاده کنند.

در بخش تولید گفتار، Mistral تعداد زبان‌ها را از ۹ به ۳۵ و تعداد گویش‌ها را به بیش از ۵۰ افزایش داده است. همچنین، کنترل‌های جدیدی برای توسعه‌دهندگان فراهم شده است تا از برچسب‌های احساسی و تنظیمات سرعت استفاده کنند.

Mistral همچنین ویژگی Pro Voice adaptation را معرفی کرده که می‌تواند سبک و دامنه احساسی یک سخنران را در زبان‌های مختلف با استفاده از حدود ۳۰ دقیقه صدای ضبط‌شده بازتولید کند. این ویژگی به گزینه‌های حرفه‌ای‌تر در کنار کلونینگ صدای مرجع کوتاه اضافه می‌شود.

در نهایت، SDK جدید Mistral امکان اتصال مدل‌ها به عوامل صوتی را فراهم می‌کند و به توسعه‌دهندگان این امکان را می‌دهد که دستورالعمل‌ها و اطلاعات مورد نیاز را برای عوامل صوتی تنظیم کنند. این مدل‌ها از طریق APIهای اروپایی، آمریکایی و جهانی در دسترس هستند و گزینه‌های استقرار خصوصی نیز ارائه می‌شود.

این برای مخاطبِ حرفه‌ای یعنی چه؟ توسعه‌دهندگان و فعالان صنعت زبان می‌توانند با استفاده از این به‌روزرسانی‌ها، ابزارهای صوتی پیشرفته‌تری را برای کاربردهای مختلف طراحی کنند و به‌ویژه در زمینه‌ی چندزبانه‌گی و شخصی‌سازی تجربه‌ی کاربری، بهبودهای قابل توجهی ایجاد کنند.