דלגו לתוכן
גיליון 001·חי·20:20 IL
→ יומן/2026-10-24·8 דק׳

Mistral Voxtral 3: SDK לסוכני קול, מודלי דיבור חדשים והמחירים ש-Mistral פרסמה

Voxtral 3 של Mistral מוסיף מודלי speech-to-text ו-text-to-speech בתוספת SDK לסוכני קול מבוסס LiveKit. מה Mistral טוענת, המחירים שפורסמו, איפה ה-benchmarks שלה דורשים זהירות, ומה לבדוק לפני שבונים על זה סוכן קולי.

מאת Harel Asaf·בונה בינה מלאכותית·תל אביב

Mistral שחררה את Voxtral 3 ב-22 באוקטובר: משפחה של מודלי תמלול ו-text-to-speech, בתוספת SDK לסוכני קול שנבנה על LiveKit. ההצעה היא pipeline אחד של streaming שמקשיב, מנמק, קורא לכלים ומדבר, כשכל תורנות מסתיימת בפחות משנייה. אלה טענות של Mistral, ולא הרצתי שום דבר מזה.

קראתי מקור ראשוני אחד: Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages. תרשימי ה-benchmark הם תמונות ועלילות אינטראקטיביות, אז לא הצלחתי לקרוא את הציונים. יש לי רק את הכיתובים והטקסט. לא קראתי את תיעוד ה-API.

מה יש בשחרור

מודל או מוצרמה Mistral אומרת שהוא
Voxtral Small Transcribe 3Speech-to-text על פני יותר מ-50 שפות, עם diarization, context biasing וזיהוי סוף תורנות
Voxtral Mini Transcribe 3תמלול batch עם 4B פרמטרים
Voxtral Mini Transcribe Realtime 3תמלול בזמן אמת עם חביון מתחת ל-500 ms, בנוי לסוכנים
Voxtral Mini TTS 3Text-to-speech עם בקרת רגש, קצב והדגשה, יותר מ-35 שפות ויותר מ-50 דיאלקטים
Voice agent SDKהקשבה, נימוק, קריאת כלים ודיבור ב-pipeline אחד בזמן אמת, בנוי על LiveKit
Pro Voiceהתאמת קול מבערך 30 דקות של אודיו

מחירים שפורסמו

Mistral מפרטת את המחירים האלה בעמוד ההשקה:

פריטמחיר
Voxtral Mini Transcribe 3 (batch)$0.0035 לדקה
Voxtral Mini Transcribe Realtime 3$0.008 לדקה
Voxtral Small Transcribe 3$0.0040 לדקה
Voxtral Mini TTS 3$13 למיליון תווים
Voice agent API עם Mistral Small 4$0.04 לדקה
Voice agent API עם מודל גדול יותר$0.08 לדקה

Mistral גם אומרת שה-TTS עולה פחות להרצה מ-OpenAI TTS-1, Deepgram, ElevenLabs Flash ו-Gemini Flash. לא בדקתי את המחירים של הספקים האלה, וההשוואה היא של Mistral.

ה-SDK לסוכני קול

לפי הפוסט, ל-pipeline יש שלושה שלבים. Voxtral Mini Transcribe Realtime 3 מקשיב ומזהה מתי המתקשר סיים. מודל כללי כמו Mistral Small מנמק וקורא לכלים. Voxtral TTS עונה בטון של השיחה. Mistral אומרת שאף שלב לא מחכה לזה שלפניו, כל תורנות מסתיימת בפחות משנייה אחת, והסוכן מפסיק לדבר כשהמתקשר קוטע.

היא אומרת שסוכנים יכולים לאמת מתקשר, לבדוק חשבון או לקבוע פגישה דרך function calling, חיפוש web ושליפה על המערכות שלכם. היא גם אומרת שהסוכן יכול לענות וליוזום שיחות דרך SIP, לרוץ בדפדפנים ואפליקציות דרך WebRTC, ולהתחבר לטלפוניה, IVR ותוכנת contact-center. כל שלב הוא מודל נפרד, אז אפשר להחליף את ה-LLM, את הקול או את השפה.

איפה ואיך מריצים את זה

הפוסט אומר ש-Voxtral 3 זמין דרך ה-API של Mistral ב-endpoints אירופיים, אמריקאים וגלובליים, או לפריסה עצמית, וממסגר את זה כשליטה בנתונים: איפה האודיו מעובד והאם שיחות נשמרות. הסיכום בראש אומר "EU-hosted API". הטקסט המאוחר יותר מפרט שלושה endpoints. בדקו לאיזה אזור הנתונים שלכם באמת הולכים. לא מצאתי דרישות self-hosting או תנאי רישיון במה שקראתי.

קריאת טענות ה-benchmark

Mistral אומרת ש-Voxtral Small Transcribe 3 מנצח את Whisper, Scribe v2 ו-Gemini 3.5 Transcribe, כולל באנגלית, צרפתית וספרדית. הכיתובים מראים מה הבדיקות:

  • תמלול רב-לשוני משתמש ב-FLEURS, על פני 45 השפות שכל שבעת המודלים תומכים בהן.
  • Diarization משתמש בסטים ציבוריים כולל AMI, Switchboard ו-AISHELL-4, עם גרסאות של 30 דקות של AMI ו-AISHELL לתאימות.
  • Keyphrase recall משתמש ב-Earnings-22 עם 0 עד 100 מונחי הסחה.
  • ההשוואות של TTS הן בעיקר הערכות פנימיות. השיפוט הוא על ידי מודל Gemini, על 300 פרומפטים באנגלית לבדיקת ההגייה והמספרים-ושמות, והכיתובים אומרים שהמחירים באים מעמודי הספקים והתוצאות נוצרו ב-20 באוקטובר.

שופט LLM וסטי פרומפטים פנימיים הם אותות שימושיים, לא מדידות ניטרליות. אחת הבדיקות, Voice Code Bench, מיוחסת ל-BeSimple AI. לא הצלחתי לקרוא את הציונים עצמם.

אי-עקביות לציין

העמוד מתאר את מודל התמלול בזמן אמת כמכסה "יותר מ-35 שפות" במקום אחד ו"יותר מ-40 שפות" במקום אחר. תרשים ה-realtime של FLEURS משתמש ב-35 שפות. בדקו בתיעוד את הרשימה האמיתית לפני שאתם מסתמכים על שפה.

מה הייתי בודק

אלה הצעות שלי שלא נבדקו.

1. בדקו את האודיו שלכם. השתמשו בשיחות אמיתיות עם המבטאים, הרעש ומונחי הדומיין שלכם, והשוו שיעור שגיאת מילים מול הספק הנוכחי שלכם.

2. מדדו חביון מקצה לקצה מהמילה האחרונה של המתקשר לאודיו הראשון, על מסלול הטלפוניה שלכם, לא רק נתון המודל.

3. בדקו קטיעות. בדקו שהסוכן מפסיק לדבר כשקוטעים אותו, ושהוא לא קוטע אנשים.

4. בדקו מספרים ושמות. הקראו בחזרה מספרי טלפון, סכומים, תאריכים ואימיילים. הדוגמאות של Mistral עצמה מכוונות למקרי הכשל האלה, אז בדקו אותם חזק.

5. תמחרו שיחה מלאה. חברו תמלול, מודל הנימוק ו-TTS מול מחיר הסוכן לדקה.

6. בדקו הסכמה ושמירה. אם אתם משכפלים קול או מקליטים שיחות, הסתכלו על תנאי הנתונים וההסכמה בתחום השיפוט שלכם.

מה לא הייתי מסיק

  • שהוא מנצח את Whisper או Gemini על האודיו שלכם. ההשוואה בפוסט היא של Mistral ולא הצלחתי לקרוא את הציונים.
  • שכל תורנות לוקחת פחות משנייה בפרודקשן.
  • שהמחיר הוא העלות הכוללת של סוכן קולי.
  • שכל 50+ השפות טובות באותה מידה.

שאלות נפוצות

מהו Voxtral 3?

משפחה של Mistral של מודלי speech-to-text ו-text-to-speech בתוספת SDK לסוכני קול, שהוכרז ב-22 באוקטובר.

כמה זה עולה?

Mistral מפרטת $0.0035 עד $0.008 לדקה לתמלול, $13 למיליון תווים ל-TTS, ו-$0.04 או $0.08 לדקה ל-voice agent API.

על מה בנוי ה-SDK לסוכני קול?

LiveKit, לפי הפוסט.

אפשר לארח אותו עצמאית?

הפוסט אומר שהוא זמין לפריסה עצמית. לא מצאתי דרישות חומרה או תנאי רישיון.

בכמה שפות הוא תומך?

תמלול מופיע ביותר מ-50 שפות, realtime ב-35+ או 40+ תלוי איפה קוראים, ו-TTS ב-35+ שפות ו-50+ דיאלקטים.

האם הוא יכול לשכפל קולות?

Mistral מתארת שכפול קול מ-30+ דקות של אודיו ואפשרות Pro Voice מבערך 30 דקות.

האם טענת המהירות מאומתת?

לא. פחות משנייה לתורנות ותמלול realtime מתחת ל-500 ms הם נתונים של Mistral.

מקורות

קריאה נוספת

יומן הבנייה

לעקוב אחרי העבודה.

מאמרים ואבטיפוסים חדשים, ישר לקורא ה-RSS שלכם. מנויי המייל בהשהיה זמנית, עד שאחבר שירות משלוח עובד. לא נאסף כאן אימייל.

עקבו ב-RSS