Mistral ने Voxtral 3 पेश किया है, जो स्पीच-टू-टेक्स्ट और टेक्स्ट-टू-स्पीच मॉडल का नया परिवार है, जिसके साथ एक वॉइस एजेंट SDK भी है। यह सिस्टम सुनने, तर्क करने, टूल कॉलिंग और बोलने की प्रक्रिया को एक ही रियल-टाइम स्ट्रीमिंग पाइपलाइन में जोड़ता है, जिसे कॉन्टैक्ट सेंटर, सर्विस डेस्क, वर्चुअल असिस्टेंट और हैंड्स-फ्री कोपायलट में स्वाभाविक बातचीत वाले अनुभव के लिए डिज़ाइन किया गया है।
स्पीच-टू-टेक्स्ट मॉडल, Voxtral Small Transcribe 3, को बहुभाषी ट्रांसक्रिप्शन में अत्याधुनिक बताया गया है। यह 50 से अधिक भाषाओं को सपोर्ट करता है, पहचानता है कि किसने क्या कहा (डायराइज़ेशन), सटीकता बढ़ाने के लिए की-फ़्रेज़ का उपयोग करता है (कॉन्टेक्स्ट-बायसिंग), और यह पता लगाता है कि वक्ता कब बोलना समाप्त कर चुका है ताकि एजेंट बिना देरी के जवाब दे सकें। विस्तारित भाषा सूची में 24 आधिकारिक EU भाषाएँ और कई कम-संसाधन वाली एशियाई और भारतीय भाषाएँ शामिल हैं।
टेक्स्ट-टू-स्पीच मॉडल, Voxtral Mini TTS 3, नई आवाज़ें प्रदान करता है जो बातचीत के संदर्भ के आधार पर भावना, गति और बल को समायोजित करती हैं, और इसमें 35 से अधिक भाषाओं तथा 50 से अधिक बोलियों का समर्थन है। पेशेवर उपयोग के मामलों के लिए, Pro Voice अनुकूलन केवल 30 मिनट के ऑडियो का उपयोग करके किसी वक्ता के विशिष्ट चरित्र, भावनात्मक दायरे और बोलने की शैली को विभिन्न भाषाओं में दोहरा सकता है।
Voxtral 3 संप्रभु तैनाती के लिए डिज़ाइन किया गया है। यह Mistral के EU-होस्टेड API के माध्यम से उपलब्ध है या किसी संगठन के अपने इंफ्रास्ट्रक्चर पर स्व-तैनाती के लिए, जिससे नियंत्रित किया जा सकता है कि ऑडियो कहाँ संसाधित होता है, डेटा कैसे संभाला जाता है और बातचीत को सुरक्षित रखा जाए या नहीं। इसलिए यह संवेदनशील बातचीत के लिए उपयुक्त है जिन्हें नियंत्रित वातावरण के भीतर ही रहना चाहिए।
स्रोत: Hacker News · HeadlinesBriefing द्वारा सारांशित