السبت، 21 نوفمبر 2026

إطلاق Voxtral 3 من Mistral: نماذج تفريغ صوتي وصوت اصطناعي

أطلقت Mistral أربعة نماذج صوتية وحزمة تطوير لمساعد صوتي، وهي متاحة في معاينة عامة.

شريف حربي
شريف حربي
شريف حربي
بواسطةشريف حربي
مؤسس ترقيتك ورئيس تحريرها، ويعمل في مجال التوظيف عبر منصته إيجينكس. يكتب عن الذكاء الاصطناعي والألعاب والتقنية بلغة بسيطة ومعلومة موثوقة.
مدة القراءة: 5 د
Mistral AI
أبرز النقاط
  • Voxtral 3 تضم ثلاثة نماذج تفريغ ونموذج تحويل نص إلى كلام وحزمة مساعد صوتي مبنية على LiveKit.
  • تفريغ دفعي بأسعار من 0.0035 إلى 0.004 دولار للدقيقة، ونموذج الصوت بسعر 13 دولارًا لكل مليون حرف.
  • سجل Small نسبة 18.4% في تمييز المتحدثين، مقابل 19.0% لـ Pyannote بحسب أرقام Mistral.
  • النموذج المباشر أقل دقة من Gemini 3.5 Realtime، ولم تُعلن أوزان مفتوحة.

أطلقت Mistral AI عائلة Voxtral 3، وهي مجموعة نماذج صوتية مع حزمة تطوير (SDK) لبناء مساعدين صوتيين. تضم العائلة ثلاثة نماذج لتحويل الكلام إلى نص، ونموذجًا واحدًا لتحويل النص إلى كلام، وجميعها في معاينة عامة عبر واجهة Mistral البرمجية.

الفكرة أن يجد المطور في مكان واحد ما يحتاجه للاستماع والتفكير واستدعاء الأدوات والرد بالصوت. وتأتي الحزمة مبنية على LiveKit. ولمتابعة نماذج الشركة الأخرى، يمكنك قراءة تغطيتنا لنماذج Mistral أو تصفح قسم نماذج AI.

ما النماذج الموجودة في Voxtral 3؟

تعرض Mistral أربعة نماذج وحزمة تطوير واحدة:

  • Voxtral Small Transcribe 3: النموذج الرئيسي للتفريغ الدفعي وتمييز المتحدثين. وتذكر الوثائق أيضًا الترجمة والإجابة عن الأسئلة الصوتية والتلخيص واستدعاء الدوال.
  • Voxtral Mini Transcribe 3: نموذج بحجم 4 مليارات معامل للمهام الدفعية الأرخص والأسرع.
  • Voxtral Mini Transcribe Realtime 3: تفريغ مباشر عبر WebSocket مع اكتشاف نهاية حديث المتكلم.
  • Voxtral Speech 3: نموذج تحويل النص إلى كلام.

تدعم جميع نماذج التفريغ تمييز المتحدثين وتوجيه السياق، وهو إدخال مصطلحات أو نص حر لتحسين التعرف عليها. ويغطي التفريغ الدفعي 50 لغة، بينها 24 لغة رسمية في الاتحاد الأوروبي. وللنموذجين الدفعيين سياق بطول 32 ألف رمز. أما حجم Small فلم يُعلن، وكذلك متطلبات المعالج الرسومي والذاكرة.

- إعلان -

كيف يعمل مساعد الصوت؟

تشغّل الحزمة ثلاث مراحل في مسار بث واحد. يستمع Realtime Transcribe 3 ويكتشف متى يتوقف المتصل عن الكلام. ثم يفكر نموذج لغوي عام، مثل Mistral Small 4، ويستدعي الأدوات. بعد ذلك يرد Voxtral Speech 3 بنبرة تناسب المحادثة حتى تلك اللحظة.

يكتمل كل دور في أقل من ثانية، ويتوقف المساعد عن الكلام إذا قاطعه المتصل. ويتعامل مع المكالمات الهاتفية عبر SIP، ومع جلسات المتصفح والتطبيقات عبر WebRTC. وبما أن كل مرحلة نموذج مستقل، يستطيع الفريق تبديل النموذج اللغوي أو الصوت أو اللغة.

ما دقة Voxtral 3؟

الأرقام التالية أعلنتها Mistral بنفسها:

  • في اختبار FLEURS 45 حقق Small نسبة خطأ 4.1% مع تحديد اللغة، مقابل 4.0% مع استنتاجها، وهي نتيجة MAI-Transcribe-2 نفسها. أما Mini فسجل 4.6% ثم 4.5%، بينما سجل Whisper large-v3 نسبة 16.0% ثم 14.9%.
  • في تمييز المتحدثين سجل Small نسبة 18.4%، وسجل Mini نسبة 18.6%، بينما سجل Pyannote نسبة 19.0%، وسجل MAI-Transcribe-2 نسبة 20.3%.
  • في استرجاع العبارات المفتاحية بلغ Small نسبة 94.6% مع السياق، ثم 81.4% من دونه، مقابل 94.3% ثم 84.0% لنموذج Scribe v2.

وفي تصنيف مستقل للتعرف على الكلام سجل Small نسبة خطأ 2.1%، وسجل Mini نسبة 2.2%. ولم يتقدم عليهما إلا Fun-Realtime-ASR-preview بنسبة 1.7%، ثم MAI-Transcribe-2 بنسبة 2.0%. أما السرعة فهي نقطة الضعف: عامل سرعة Small يبلغ 65.8x، مقابل 307.5x لنموذج MAI-Transcribe-2.

كيف يؤدي النموذج المباشر وتحويل النص إلى كلام؟

في النموذج المباشر يوازن النموذج بين الدقة وزمن الاستجابة. فعلى FLEURS 35 تبلغ نسبة الخطأ 5.7% عند 2400 مللي ثانية، وتبلغ 6.4% عند 480، ثم ترتفع إلى 7.4% عند 240. وسجل Gemini 3.5 Realtime Transcribe نسبة 4.2%، وسجل MAI-Transcribe-2 Streaming نسبة 5.8%، بينما جاء GPT Live Transcribe بنسبة 8.4%، ثم Scribe v2 Realtime بنسبة 8.7%، أي خلف كل إعدادات Voxtral.

- إعلان -

يبلغ سعر Voxtral Speech 3 نحو 13 دولارًا لكل مليون حرف، وتقول Mistral إنه أرخص من OpenAI TTS-1 ومن Deepgram ومن ElevenLabs Flash ومن Gemini Flash. وتشمل أدوات التحكم العاطفة والإيقاع والتشديد. وتذكر صفحة النموذج زمنًا يقارب 90 مللي ثانية قبل أول صوت، مع 34 وسمًا للعاطفة. كما تتيح خدمة Pro Voice محاكاة أسلوب المتحدث من 30 دقيقة من التسجيل.

كم تبلغ أسعار Voxtral 3؟

  • Voxtral Mini Transcribe 3 (دفعي): 0.0035 دولار للدقيقة.
  • Voxtral Small Transcribe 3: 0.004 دولار للدقيقة.
  • Voxtral Mini Transcribe Realtime 3: 0.008 دولار للدقيقة.
  • Voxtral Speech 3 (دفعي ومباشر): 13 دولارًا لكل مليون حرف.
  • واجهة مساعد الصوت: 0.04 دولار للدقيقة مع Mistral Small 4، أما مع أي نموذج استدلال آخر فالسعر 0.08 دولار.

تعمل النماذج على نقاط Mistral في أوروبا والولايات المتحدة والنقطة العالمية. وتعرض OpenRouter النماذج الثلاثة الجديدة أيضًا بنقاط مستضافة في أوروبا ومن دون الاحتفاظ بالبيانات.

ماذا يعني لك؟

لم يحدد الإعلان إن كانت اللغة العربية ضمن اللغات الخمسين. إن كنت تنوي بناء خدمة تفريغ أو مساعد صوتي بالعربية، فراجع قائمة اللغات في وثائق Mistral وجرّب النماذج على تسجيلاتك قبل الاعتماد عليها، لأن النتائج أعلاه ذاتية الإعلان.

- إعلان -

الخلاصة

تجمع Voxtral 3 بين ثلاثة نماذج تفريغ ونموذج صوت وحزمة مساعد واحدة، وتتصدر في تمييز المتحدثين بحسب أرقام الشركة نفسها. في المقابل يتأخر النموذج المباشر عن Gemini 3.5 Realtime في الدقة، ولم تُعلن أوزان مفتوحة.

أضف ترقيتك كمصدر مفضل في جوجلأضف ترقيتك كمصدر مفضل في جوجل

تابع ترقيتك من التطبيق

أسرع من المتصفح، وفيه إشعارات بأخبار الألعاب والعروض أول بأول.

المواضيع:
المصادر:MarkTechPost
شارك هذا المقال
شريف حربي
بواسطةشريف حربي
مؤسس ترقيتك ورئيس تحريرها، ويعمل في مجال التوظيف عبر منصته إيجينكس. يكتب عن الذكاء الاصطناعي والألعاب والتقنية بلغة بسيطة ومعلومة موثوقة.

حمّل تطبيق ترقيتك

أسرع من المتصفح، وفيه إشعارات بأخبار الألعاب والعروض أول بأول.