Mistral Voxtral 3 চালু করেছে, যা স্পিচ-টু-টেক্সট ও টেক্সট-টু-স্পিচ মডেলের একটি নতুন পরিবার, এবং এর সঙ্গে রয়েছে একটি ভয়েস এজেন্ট SDK। সিস্টেমটি শোনা, যুক্তি দেওয়া, টুল কল করা এবং কথা বলা—এই সবকিছুকে একটি একক রিয়েল-টাইম স্ট্রিমিং পাইপলাইনে একত্রিত করে, যা কল সেন্টার, সার্ভিস ডেস্ক, ভার্চুয়াল অ্যাসিস্ট্যান্ট এবং হ্যান্ডস-ফ্রি কোপাইলটে স্বাভাবিক কথোপকথনমূলক অভিজ্ঞতার জন্য ডিজাইন করা হয়েছে।
স্পিচ-টু-টেক্সট মডেল Voxtral Small Transcribe 3-কে বহুভাষিক ট্রান্সক্রিপশনে অত্যাধুনিক হিসেবে বর্ণনা করা হয়েছে। এটি ৫০টিরও বেশি ভাষা সমর্থন করে, কে কী বলেছে তা শনাক্ত করে (ডায়ারাইজেশন), নির্ভুলতা বাড়াতে কী-ফ্রেজ ব্যবহার করে (কনটেক্সট-বায়াসিং), এবং কখন বক্তা কথা শেষ করেছেন তা শনাক্ত করে যাতে এজেন্টরা বিলম্ব ছাড়াই উত্তর দিতে পারে। বর্ধিত ভাষা তালিকায় ২৪টি অফিসিয়াল EU ভাষা এবং অনেক স্বল্প-সম্পদের এশীয় ও ভারতীয় ভাষা অন্তর্ভুক্ত।
টেক্সট-টু-স্পিচ মডেল Voxtral Mini TTS 3 নতুন কণ্ঠস্বর প্রদান করে, যা কথোপকথনের প্রেক্ষাপট অনুযায়ী আবেগ, গতি ও জোর সমন্বয় করে, এবং ৩৫টিরও বেশি ভাষা ও ৫০টিরও বেশি উপভাষা সমর্থন করে। পেশাদার ব্যবহারের ক্ষেত্রে, Pro Voice অভিযোজন মাত্র ৩০ মিনিটের অডিও ব্যবহার করে বিভিন্ন ভাষায় একজন বক্তার স্বতন্ত্র বৈশিষ্ট্য, আবেগের পরিসর ও বলার ধরন পুনরুৎপাদন করতে পারে।
Voxtral 3 সার্বভৌম ডিপ্লয়মেন্টের জন্য ডিজাইন করা হয়েছে। এটি Mistral-এর EU-হোস্টেড API-এর মাধ্যমে বা কোনো প্রতিষ্ঠানের নিজস্ব অবকাঠামোতে স্ব-ডিপ্লয়মেন্টের জন্য পাওয়া যায়, যা অডিও কোথায় প্রক্রিয়া করা হবে, ডেটা কীভাবে পরিচালনা করা হবে এবং কথোপকথন সংরক্ষিত হবে কি না—এসব নিয়ন্ত্রণের সুযোগ দেয়। এটি তাই সংবেদনশীল কথোপকথনের জন্য উপযুক্ত, যেগুলোকে অবশ্যই একটি নিয়ন্ত্রিত পরিবেশের মধ্যে থাকতে হবে।
উৎস: Hacker News · সারাংশ: HeadlinesBriefing