شرکت فرانسوی میسترال ای‌آی (Mistral AI) از خانواده جدید محصولات پردازش صوت خود موسوم به Voxtral 3 رونمایی کرد. این مجموعه شامل مدلهای پیشرفته تبدیل گفتار به متن (STT)، تولید صدا و متن به گفتار (TTS) و یک کیت توسعه نرمافزاری اختصاصی (Voice Agent SDK) است که برای ساخت عاملهای صوتی هوشمند و مکالمات طبیعی طراحی شدهاند.
ساخت عاملهای صوتی که بتوانند مکالمات روان انسانی را تقلید کنند همواره کاری دشوار بوده است؛ چرا که یک دستیار صوتی مطمئن باید چهار وظیفه را به شکل هم‌زمان و بلادرنگ به انجام برساند: شنیدن دقیق فارغ از لهجه‌ها و قطع کلام توسط کاربر، استدلال عمیق بر مبنای محتوای گفتگو، اجرای اقدامات چندمرحله‌ای از طریق ابزارها و در نهایت پاسخ‌گویی با لحن و احساس متناسب. میسترال مدعی است Voxtral 3 این چهار عنصر را به شکل یکپارچه در دسترس قرار می‌دهد.
در بخش شنیداری، مدل Voxtral Small Transcribe 3 به عنوان یک جهش مهم معرفی شده که توانایی پیاده‌سازی متون گفتاری را در بیش از ۵۰ زبان با دقت بسیار بالا فراهم می‌کند. این مدل علاوه بر تشخیص دقیق گویندگان (Diarization)، از ویژگی تنظیم زمینه (Context Biasing) پشتیبانی می‌کند که امکان معرفی اصطلاحات تخصصی، اسامی خاص و واژگان کلیدی را به سیستم می‌دهد تا خطاهای شنیداری به صفر نزدیک شود. نسخه بلادرنگ این مدل نیز با تاخیر فوق‌العاده اندک برای دستیارهای تعاملی بهینه‌سازی شده است.
در بخش تولید صدا، مدل Voxtral Mini TTS 3.0 با قابلیت بیان احساسات طبیعی و تطبیق لحن بر اساس معنای متن معرفی شده است. این مدل صدای تولیدی را با ریتم، لحن و مکث‌های منطبق بر احساسات انسانی ادا می‌کند و بیش از ۳۵ زبان و ۵۰ لهجه بومی مختلف را پشتیبانی می‌نماید. علاوه بر این، ابزار Pro Voice امکان شبیه‌سازی دقیق و اختصاصی صدای برندها را برای مراکز تماس و خدمات مشتریان شرکتی فراهم می‌سازد.
همانند تمامی مدلهای میسترال، خانواده Voxtral 3 با اولویت حفظ حاکمیت داده‌ها توسعه یافته است. کاربران می‌توانند علاوه بر استفاده از API میسترال که در دیتاسنترهای اتحادیه اروپا میزبانی می‌شود، کل این زیرساخت را بر روی سرورهای اختصاصی خود پیاده‌سازی کنند تا داده‌های محرمانه مشتریان از محدوده سازمانی خارج نشود.