Voxtral 3: Mistral تضع أربعة نماذج صوتية وواجهة برمجة تطبيقات لوكيل صوتي على المقياس نفسه

الرقم المثير للاهتمام في إصدار Mistral بتاريخ 20 أكتوبر ليس معدل خطأ الكلمات. إنه 0.04 دولار في الدقيقة. هذا ما تتقاضاه الشركة مقابل Voxtral 3، وكيل صوتي — خط أنابيب شامل يسمع المتصل، ويستدل على ما قاله باستخدام Mistral Small 4، ويستدعي الأدوات، ويرد عليه. اجمع الأجزاء التي تبيعها Mistral بشكل منفصل وستجد أن الدقيقة نفسها تكلف أكثر: Voxtral Mini Transcribe Realtime 3 بسعر 0.008 دولار، بالإضافة إلى Voxtral Mini T​TS 3 بنحو 0.02 دولار لمعدل تحدث طبيعي، بالإضافة إلى نموذج الاستدلال فوق ذلك. الدقيقة المجمّعة هي المنتج. كل شيء آخر — Voxtral Small Transcribe 3، Voxtral Mini Transcribe 3، Voxtral Mini Transcribe Realtime 3، Voxtral Speech 3 — يُباع كمكوّن يمكنك شراؤه بشكل منفصل، وكطريقة لإظهار أن المكونات جيدة بما يكفي لتستحق تجميعها في حزمة. تفشل خطوط أنابيب الوكلاء الصوتيين بطرق لا تذكرها بطاقات الأسعار قط، وتُفهرس الحوادث المسجلة في أرشيف حوادث OrcaRouter AI حيث يحمل كل إدخال مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة الخلاف الخاصة به.

ما الجديد فعليًا، موديلًا بموديل

هذه عملية تجديد لعائلة بأكملها، لا طراز واحد حصل على ترقية في رقم إصداره. لكل قطعة منها وظيفة مستقلة وسعر مستقل، والتقسيم بينها أهم من الاسم الذي يجمعها.

• Voxtral Small Transcribe 3 — فئة الدقة. 0.004 دولار لكل دقيقة، وسياق 32 ألف، والادعاء الرائد لـ Mistral في النسخ مع تمييز المتحدثين. كما يقوم بالترجمة، والأسئلة والأجوبة الصوتية، والتلخيص، واستدعاء الوظائف، مما يجعله العضو الوحيد في العائلة الأقرب إلى نموذج صوتي-لغوي منه إلى أداة نسخ.

• Voxtral Mini Transcribe 3 — 4 مليارات معلمة، 0.0035 دولار لكل دقيقة، سياق 32 ألف. تُفصح Mistral عن حجم هذا النموذج وتُخفي حجم نموذج Small. هذا التفاوت جدير بالملاحظة: فالنموذج المصغّر هو الذي يُموضَع للنشر واسع النطاق وعلى الأطراف، لذا تُعدّ بصمته ميزة بيعية؛ أما النموذج الرائد فلا يُكشف عن حجمه.

• Voxtral Mini Transcribe Realtime 3 — بثّ عبر WebSocket بتكلفة 0.008 دولار في الدقيقة، مع زمن استجابة قابل للضبط من 80 مللي ثانية إلى 2,400 مللي ثانية، وكشف لنهاية الدور يجمع بين إشارات صوتية ودلالية بدلًا من انتظار الصمت. تقول الوثائق "أقل من 500 مللي ثانية"؛ والحد الأدنى القابل للضبط أقل بكثير من ذلك، كما أن تكلفة الدقة الناتجة عن خفض الزمن كبيرة — راجع قسم المعايير.

• Voxtral Speech 3 (يُباع في الوثائق باسم Voxtral Mini T​TS 3) — 13 دولارًا لكل مليون حرف، ونحو 90 مللي ثانية حتى أول صوت، و34 وسمًا للعاطفة ووسمي إيقاع، وتسع لغات، واستنساخ صوتي دون تدريب مسبق و«احترافي». وتذكر صفحة إطلاق Mistral أن الاستنساخ يتطلب أكثر من 30 دقيقة من الصوت المرجعي.

تحت ذلك يوجد SDK لوكيل الصوت، مبنيّ على LiveKit وبثّ التعرّف على الكلام ونماذج اللغة الكبيرة وتحويل النص إلى كلام ضمن خط معالجة واحد. يستقبل مكالمات SIP وجلسات WebRTC وخطوط الاتصال الهاتفي أو IVR الحالية، ويدعم المقاطعة أثناء الكلام، ويتيح لك تبديل نموذج الاستدلال أو الصوت أو اللغة دون إعادة بناء الوكيل. وتذكر Mistral أن زمن التأخير أقل من ثانية.

جدول المعايير، اقرأه بعناية

نشرت Mistral أرقامها الخاصة، وهي أرقام جيدة. في مقياس FLEURS 45 لمتوسط معدل خطأ الكلمات الماكرو، يسجل Voxtral Small Transcribe 3 نسبة 4.1% مع اللغة المفروضة و4.0% مع اللغة المستنتجة. أما Voxtral Mini Transcribe 3 فيسجل 4.6% / 4.5%. وعلى سبيل المقارنة، في جدول المورّد نفسه: G​emini 3.5 Transcribe عند 6.1% / 4.5%، وScribe v2 عند 4.9%، وG​PT Transcribe عند 6.3% / 5.6%، وWhisper large-v3 عند 16.0% / 14.9%.

هناك أمران في ذلك الجدول يستحقان نظرة ثانية. أولًا، يأتي Microsoft's MAI-Transcribe-2 عند 4.1% / 4.0% — مطابقًا لـ Voxtral Small Transcribe 3، حتى المنزلة العشرية. جدول مورّد يتعادل فيه الطراز الرائد مع أقرب منافس له تمامًا هو إما تعادل صادق أو تعادل مُقرّب؛ ولا توضح Mistral أيهما. ثانيًا، رقم Whisper ليس الرقم الذي يستشهد به أي طرف آخر لـ Whisper. يسجل Whisper large-v3 متوسط WER قدره 7.44 على Open ASR Leaderboard، وتسجل نسخة Turbo نسبة 4.6% على لوحة Artificial Analysis المستقلة. نسبة ستة عشر بالمائة هي ما يبدو عليه Whisper على صوت FLEURS الصعب متعدد اللغات تحديدًا، وليست ما يبدو عليه في الإنجليزية الإنتاجية. استخدام أقسى شريحة متاحة لمنافس هو خطوة تسويقية معتادة، لكنها خطوة تسويقية.

تقدم اللوحة المستقلة صورة أكثر إحكامًا. تسجّل Voxtral Small Transcribe 3 نسبة 2.1% في AA-WER، وVoxtral Mini Transcribe 3 نسبة 2.2% — أي في المركزين الأول والثاني على لوحة الصدارة غير المتدفقة حتى كتابة هذه السطور، مع وجود MAI-Transcribe-2 عند 2.0% في الخانة الأعلى منهما بحسب توقيت قراءة اللوحة. هذه النسب متقاربة إلى حدّ يجعل الترتيب يتغير عند إعادة الاختبارات. وأي شخص يستشهد بفائز بناءً على فارق 0.1 نقطة إنما يستشهد بضجيج.

حيث تُعيد الطبقة الفورية الدقة

أرقام البث هي أكثر ما نشرته Mistral فائدة، لأنها الأقل إطراءً. على FLEURS 35، يبلغ خط الأساس غير المتصل Voxtral Mini Transcribe 3 نسبة 4.0% WER. ويتدهور النموذج الفوري بشكل رتيب كلما طلبت منه الإجابة في وقت أبكر:

• زمن استجابة 2,400 مللي ثانية — معدل خطأ الكلمات 5.7%

• ٩٦٠ مللي ثانية — ٦٫٠٪

• 480 مللي ثانية — 6.4%

• 240 مللي ثانية — 7.4٪

في المقابل، تُدرج Mistral كلاً من G​emini 3.5 Realtime Transcribe عند 4.2%، وطبقة البث لدى Microsoft عند 5.8%، وG​PT Live Transcribe عند 8.4%، وScribe v2 Realtime عند 8.7%. لذا فالتفسير الأمين هو: عند تأخير مريح يبلغ 2.4 ثانية، تكون طبقة Voxtral للزمن الحقيقي منافسة لـMicrosoft وتتفوق على نموذجَي البث لدى O​penAI وElevenLabs، لكنها لا تتفوق على نموذج G​oogle، وعند 240 ms تصبح أسوأ من كل شيء باستثناء النموذجين الأدنى في القائمة. الرقم الرئيسي المعلن لدون 500 ms حقيقي؛ لكنه يكلّفك نحو ثلاث نقاط من الدقة مقارنةً بتشغيل الصوت نفسه دون اتصال.

يظهر فصل المتحدثين بأقوى صورة لدى العائلة، وهو المجال الذي يضطلع فيه جدول المورّدين بأكبر قدر من العمل. فعلى مقياس WER المُجمّع بأدنى تبديل، تُبلغ Mistral عن 18.4% لـ Voxtral Small Transcribe 3، و18.6% لـ Mini، و19.0% لـ Pyannote Orchestrator Precision 3، و20.3% لـ MAI-Transcribe-2، و38.4% لـ G​emini 3.5 Transcribe. إن فجوةً مقدارها 20 نقطة أمام G​emini في إسناد المتحدثين هي من الأرقام التي تحسم منتجًا — كتحويل الاجتماعات إلى نصوص، وضمان جودة المكالمات — لكنها أداة تقييم مورّد واحد مقابل نموذج مورّد آخر، ولم يُعِد تشغيلها أي طرف ثالث.

ما الذي يشتريه التسعير، بالساعات

الفوترة بالدقيقة سهلة المقارنة ويسهل إخطاء تقديرها عندما يكون البديل هو الفوترة لكل رمز. وبتحويل ذلك إلى ألف ساعة صوتية، أي ما يعادل تقريبًا شهرًا لمركز اتصال متوسط الحجم:

• Voxtral Mini Transcribe 3 — 210 دولارات لكل 1,000 ساعة بمعدل 0.0035 دولار/دقيقة

• Voxtral Small Transcribe 3 — 240 دولارًا لكل 1,000 ساعة بمعدل 0.004 دولار/دقيقة

• Voxtral Mini Transcribe Realtime 3 — 480 دولارًا لكل 1,000 ساعة بسعر 0.008 دولار/دقيقة

• واجهة برمجة تطبيقات وكيل صوتي مع استدلال Mistral Small 4 — 2,400 دولار لكل 1,000 ساعة محادثة بسعر 0.04 دولار/دقيقة

فئة الوكيل تكلّف من خمسة إلى أحد عشر ضعف سعر فئة النسخ، وهي رتبة الحجم الصحيحة بمجرد أن تتذكر أنها تشمل نموذج الاستدلال وتوليف الكلام. وهي أيضًا حيث يوجد هامش الربح، وقد اختير تموضع Mistral — التحقق من الهوية، وفحص الفواتير، وحجز المواعيد — للمكالمات التي تكون فيها مهمة واحدة مكتملة أعلى قيمة من دقيقة من الحوسبة.

تحذير بنيوي واحد بشأن قائمة الأسعار بأكملها: كل نموذج هنا موجود في المعاينة العامة، وليس في مرحلة التوفر العام (GA)، وقد تغيّر تسعير المعاينة في Speech تاريخيًا. لا يوجد التزام منشور بأن يبقى $0.0035 عند $0.0035.

ما لم تُطلقه Mistral

لا أوزان. تقول صفحة الإطلاق إن Voxtral 3 متاح عبر واجهة Mistral البرمجية (API) بنقاط نهاية في الاتحاد الأوروبي والولايات المتحدة وعالمية، و«للنشر الذاتي على بنيتك التحتية» — لكنها لا تنشر ترخيصًا، ولا أعداد المعاملات لثلاثة من النماذج الأربعة، ولا مستودع Hugging Face. في السياق، كانت إصدارات Mistral الصوتية السابقة قابلة للتنزيل: Voxtral Small 24B 2507 بترخيص Apache 2.0 على Hugging Face، وVoxtral 4B TTS 2603 بترخيص CC-BY-NC-4.0، وVoxtral Mini 4B Realtime Arabic صدر في 8 أكتوبر دون الإعلان عن أي ترخيص على الإطلاق. هذا الإصدار هو أول جيل من Voxtral دون أي عضو قابل للتنزيل. يُقرأ النشر الذاتي هنا كعقد مؤسسي، لا كتنزيل.

كما يغيب أيضًا: أي حد أقصى لمدة الصوت، وأي قيمة سياقية لطبقات TTS أو طبقات الوكيل، وأي تفاصيل عن الاحتفاظ بالبيانات أو إقامتها تتجاوز مناطق نقاط النهاية. وإذا كنت تقيّم هذا لتسجيل المكالمات الخاضع للتنظيم، فإن هذه الثغرات الثلاث هي التي ينبغي سدّها في محادثة مشتريات بدلًا من منشور الإطلاق.

كيفية تجربتها فعليًا

لا يتوفر Voxtral 3 في كتالوج OrcaRouter اليوم، لذا فإن سبيل تقييمه هو واجهة API الخاصة بـ Mistral وساحات تجربة Studio التابعة لها، التي تغطي النسخ الصوتي وتوليد الكلام واستنساخ الصوت وخط أنابيب الوكيل. أما حيث يساعد الموجّه فعلاً فهو النصف الثاني من القرار: فمن النادر أن تريد مكدساً صوتياً واحداً، ووضع نموذج الاستدلال الذي يتولى استدعاءات أدوات وكيلك خلف نقطة نهاية واحدة يعني أنه يمكنك مقارنة Mistral Small 4 باثني عشر نموذجاً آخر على النص نفسه دون إعادة بناء خط الأنابيب. يمرّر OrcaRouter أسعار القائمة لدى المزوّدين بهامش ربح 0% ويبدّل بين المزوّدين تلقائياً عند التعطل، وهو ما يهم أكثر في هذه الحالة تحديداً — نموذج من فئة المعاينة ليس لديه سجل جهوزية أمامه.

الترتيب العملي للتقييم، إذا كنت ستنفّذ ذلك هذا الأسبوع: شغّل أسوأ تسجيلاتك الصوتية عبر Voxtral Small Transcribe 3 وMAI-Transcribe-2 على الملفات الـ200 نفسها، لأن البائعَين يعرضان درجة FLEURS نفسها، ولا يمكن إلا لتسجيلاتك الصوتية أن تحسم التعادل. ثم شغّل المستوى الفوري عند 960 ms وعند 2,400 ms، وأحصِ عدد المرات التي يقطع فيها كاشف نهاية الدور المتصلَ في منتصف الجملة — فنمط الفشل هذا يكلّف في وكيل مباشر أكثر من أي فرق في WER ضمن هذه العائلة. ثم سعّر دقيقة الوكيل مقابل معدل الاحتواء لديك، لا مقابل فاتورة التفريغ الصوتي.

ماذا تشاهد

ثلاثة أمور ستحدد ما إذا كانت هذه الإصدارة ستتقادم جيدًا. إعادة التشغيل المستقلة لادعاء فصل المتحدثين، وهو الرقم الوحيد في الإطلاق الذي قد يغيّر فعليًا قرار الشراء. وما إذا كانت الأوزان ستظهر، لأن Voxtral القابل للتنزيل سيصبح فورًا الخيار المفتوح الافتراضي لفصل المتحدثين باللغات الأوروبية وسيقوّض حجة التسعير بأكملها أعلاه. وما إذا كان زمن استجابة الوكيل دون الثانية سيصمد على الاتصالات الهاتفية الحقيقية بدلًا من عرض تجريبي لخطاب إحالة فرنسي — فمقاطعة المتحدث واكتشاف نهاية الدور هما حيث تفشل وكلاء الصوت عادةً، ولا يصمد أي منهما كدليل في تدوينة مورّد.