Mistral AI เปิดตัวโมเดลเสียง Voxtral 3 และ SDK สำหรับผู้ช่วยเสียงอัจฉริยะ

Mistral AI เปิดตัว Voxtral 3 ตระกูลโมเดลแปลงเสียงเป็นข้อความและข้อความเป็นเสียงรุ่นใหม่ ควบคู่กับ SDK สำหรับผู้ช่วยเสียงอัจฉริยะ บริษัทประกาศ

ตามข้อมูลของ Mistral การเปิดตัวครั้งนี้มีเป้าหมายเพื่อสร้างผู้ช่วยเสียงอัจฉริยะที่สามารถฟัง คิดวิเคราะห์ พูด และดำเนินการแบบหลายขั้นตอนผ่านระบบที่เชื่อมต่อกันได้ในเวลาจริง บริษัทระบุว่าเครื่องมือด้านเสียงที่มีอยู่ในปัจจุบันพัฒนาขึ้นมากแล้ว แต่การรวมความแม่นยำในการฟัง การคิดวิเคราะห์ตามบริบท การพูดที่เป็นธรรมชาติ และการเรียกใช้งานเครื่องมือ ให้อยู่ในระบบเรียลไทม์ที่น่าเชื่อถือเดียวกันนั้นยังเป็นเรื่องยาก

สิ่งที่มีอยู่ในการเปิดตัวครั้งนี้

Mistral ระบุว่า Voxtral 3 ประกอบด้วยโมเดลหลักสองตัวและ SDK หนึ่งชุด ได้แก่

• Voxtral Small Transcribe 3 — โมเดลแปลงเสียงเป็นข้อความที่บริษัทระบุว่าเป็นสุดยอดเทคโนโลยีด้านการถอดความเสียงหลายภาษา รองรับการแยกผู้พูด (ระบุว่าใครพูดอะไร) การปรับใช้คำสำคัญตามบริบท (ใช้คำหรือวลีที่กำหนดเพื่อเพิ่มความแม่นยำ) และการตรวจจับจุดสิ้นสุดของการพูด
• Voxtral Mini TTS 3 — โมเดลแปลงข้อความเป็นเสียงที่บริษัทระบุว่าสามารถผลิตเสียงพูดที่ปรับอารมณ์ ความเร็ว และการเน้นเสียงตามบริบทของบทสนทนาได้ ครอบคลุมกว่า 35 ภาษาและ 50 สำเนียง
• SDK สำหรับผู้ช่วยเสียงอัจฉริยะ — ซึ่ง Mistral ระบุว่าผสานการฟัง การคิดวิเคราะห์ การเรียกใช้งานเครื่องมือ และการพูด ไว้ในไปป์ไลน์สตรีมมิงแบบเรียลไทม์เดียว ทำให้ผู้ช่วยอัจฉริยะสามารถดึงข้อมูลและทำงานให้เสร็จสิ้นได้ในระหว่างการสนทนาทางโทรศัพท์หรือบนเว็บแบบสด

บริษัทยังอธิบายถึงฟีเจอร์ Pro Voice ซึ่งปรับแต่งสำหรับการใช้งานระดับมืออาชีพ โดยระบุว่าสามารถจำลองลักษณะเฉพาะตัวของผู้พูด ช่วงอารมณ์ และสไตล์การพูดข้ามภาษาได้ โดยใช้ไฟล์เสียงตัวอย่างเพียงประมาณ 30 นาที

การรองรับภาษาและข้อมูลด้านประสิทธิภาพ

Mistral ระบุว่าโมเดลถอดความเสียงในขณะนี้ครอบคลุม 50 ภาษา รวมถึง 24 ภาษาราชการของสหภาพยุโรป และภาษาในเอเชียและอินเดียที่มีข้อมูลฝึกฝนจำกัดอีกจำนวนหนึ่ง บริษัทระบุว่ารุ่น Small ทำผลงานได้ดีที่สุดในด้านการแยกผู้พูดและการถอดความหลายภาษา รวมถึงภาษาอังกฤษ ฝรั่งเศส และสเปน และมีประสิทธิภาพเหนือกว่า Whisper, Scribe v2 และ Gemini 3.5 Transcribe ในด้านเหล่านี้ Mistral ระบุว่ารุ่น Mini ซึ่งมีพารามิเตอร์ 4 พันล้านตัว มีราคาอยู่ที่ 0.0035 ดอลลาร์ต่อนาที

บริษัทยังอธิบายถึงโมเดลอีกตัวที่แยกออกไป คือ Voxtral Realtime Transcribe 3 ซึ่งระบุว่าสามารถถอดความเสียงด้วยความหน่วงต่ำกว่า 500 มิลลิวินาที ในมากกว่า 35 ภาษา รวมถึงรองรับการแยกผู้พูดและการปรับใช้คำสำคัญตามบริบท

สำหรับการสังเคราะห์เสียงพูด Mistral ระบุว่า Voxtral Mini TTS 3.0 มีราคาอยู่ที่ 13 ดอลลาร์ต่อ 1 ล้านตัวอักษร ซึ่งบริษัทระบุว่าถูกกว่าบริการที่เทียบเคียงได้จาก TTS-1 ของ OpenAI, Deepgram, ElevenLabs Flash และ Gemini Flash Mistral ระบุว่าโมเดลนี้สามารถตีความความหมายเชิงบริบทของข้อความได้โดยตรงเพื่อสังเคราะห์เป็นเสียงพูด และมีฟีเจอร์ใหม่ ได้แก่ การคลอนเสียงจากไฟล์เสียงตัวอย่างมากกว่า 30 นาที การปฏิบัติตามคำสั่งปรับแต่งที่กำหนดเองสำหรับอารมณ์ ความเร็ว และการเน้นเสียง รวมถึงคลังคำศัพท์

การใช้งานและการจัดการข้อมูล

Mistral ระบุว่า Voxtral 3 ได้รับการออกแบบมาเพื่อการใช้งานแบบมีอธิปไตยทางข้อมูล สอดคล้องกับโมเดลอื่นๆ ของบริษัท สามารถใช้งานได้ผ่าน API ที่ตั้งเซิร์ฟเวอร์ในสหภาพยุโรปของ Mistral หรือติดตั้งใช้งานเองบนโครงสร้างพื้นฐานขององค์กร ซึ่งบริษัทระบุว่าช่วยให้องค์กรควบคุมได้ว่าข้อมูลเสียงจะถูกประมวลผลที่ใด ข้อมูลจะถูกจัดการอย่างไร และบทสนทนาจะถูกเก็บรักษาไว้หรือไม่

Mistral AI, Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages, เผยแพร่เมื่อวันที่ 20 ตุลาคม 2026