Mistral'ın Voxtral 3'ü çok dilli konuşma modellerini gerçek zamanlı bir voice agent SDK'sı ile eşleştiriyor

Mistral, Voxtral 3'ü yayınladı: dinleme, akıl yürütme, araç çağırma (tool calling) ve konuşma işlemlerini tek bir gerçek zamanlı akış pipeline'ında birleştiren bir voice agent SDK'sının eşlik ettiği bir konuşmadan metne ve metinden konuşmaya model ailesi. Duyurusu Hacker News ana sayfasına ulaşan Mistral'a göre sürüm, çağrı merkezleri, servis masaları, sanal asistanlar ve ellere gerek duymayan copilot'ları hedefliyor ve 50'den fazla dilde transkripsiyon desteği sunuyor.

Birbirine dikilmiş parçalar yerine tek bir pipeline

Mistral sorunu şöyle tanımlıyor: transkripsiyon ve ses üretimi各自 kendi başlarında gelişti, ancak güvenilir bir voice agent aynı anda dört şeyi yapmak zorunda — diller, aksanlar ve kesintiler arasında doğru dinlemek, kullanıcının ne demek istediğini bağlam içinde değerlendirmek, doğal ve ifadeli konuşmak ve bağlı sistemler arasında çok adımlı eylemler gerçekleştirmek. Bu dördünün gerçek zamanlı olarak birlikte çalışmasını sağlamak hâlâ zor.

SDK şirketin bu soruna yanıtı. Onunla oluşturulan agent'lar telefon veya web üzerinden süren canlı bir konuşma sırasında bilgi getirebilir, iş sistemleriyle etkileşime girebilir ve görevleri tamamlayabilir. Tur sonu algılama (end-of-turn detection) transkripsiyon modellerine yerleşik olduğundan agent'lar kullanıcının konuşmayı bitirdiğini anlar ve gecikme olmadan yanıt verebilir.

Ailede neler var

Voxtral Small Transcribe 3, 24 resmi AB dili dahil olmak üzere 50 dili kapsayan, çok dilli konuşmadan metne amiral gemisi. Diarizasyon, tur sonu algılama ve bağlam yanlılığı (context biasing) destekliyor; bu son özellikte anahtar terimler veya serbest metin, alana özgü sözlüğü fine-tuning olmadan daha iyi hatırlamak için modele veriliyor.

Voxtral Mini Transcribe 3, dakika başına 0,0035 dolar fiyatlı 4 milyar parametreli bir varyant ve hızlı ile ucuz transkripsiyon için konumlandırılmış. Agent kullanımı için tasarlanmış gerçek zamanlı bir model olan Voxtral Realtime Transcribe 3, 35'ten fazla dilde 500 ms altında transkripsiyon sunuyor; diarizasyon ve bağlam yanlılığı korunuyor.

Sentez tarafında Voxtral Mini TTS 3, konuşma bağlamına göre duyguyu, hızı ve vurguyu ayarlayan sesler sunuyor; 35'ten fazla dili ve 50'den fazla lehçeyi destekliyor. Pro Voice uyarlama seçeneği, bir konuşmacının karakterini, duygusal yelpazesini ve konuşma tarzını 30 dakikalık referans ses kaydından yola çıkarak diller arasında yeniden üretiyor.

Mistral'ın bildirdiği rakamlar

Tüm kıyaslama verileri Mistral'ın kendisinden geldiği için üretici iddiaları olarak okunmalı. Karşılaştırılan yedi modelin tamamında desteklenen 45 dil üzerinden makro ortalaması alınan FLEURS'te Voxtral Small Transcribe 3, dil zorlanınca yüzde 4,1, dil çıkarımla belirlenince yüzde 4,0 kelime hata oranı yakaladı; Microsoft AI Transcribe 2 ile aynı seviyede (4,1/4,0) ve Gemini 3.5 Transcribe (6,1/4,5), Scribe v2 (4,9/4,9), GPT Transcribe (6,3/5,6) ve Whisper large-v3 (16,0/14,9) önünde.

AMI, Switchboard ve AISHELL-4 dahil herkese açık kıyaslamalar üzerinden birleştirilmiş minimum permütasyon WER olarak ölçülen diarizasyonda Voxtral Small yüzde 18,4 skorladı; Pyannote Orchestrator (19,0), Microsoft AI Transcribe 2 (20,3) ve Scribe v2 (23,0) önünde. Earnings 22 üzerindeki anahtar ifade hatırlama oranında Voxtral Small, bağlam verildiğinde yüzde 94,6'ya ulaştı; bağlam olmadan yüzde 81,4'tü — bu, bağlamsal prompt'tan Scribe v2 (94,3/84,0) veya Gemini 3.5 Transcribe'ten (87,3/80,9) daha büyük bir iyileşme.

Gerçek zamanlı model, Mistral'ın FLEURS 35 grafiğinde beklenen gecikme-doğruluk dengesini gösteriyor: 2.400 ms ayarında yaklaşık yüzde 5,7 WER, 240 ms'de yüzde 7,4; Gemini 3.5 Realtime Transcribe yüzde 4,2'de kalırken akış yapmayan Voxtral Mini Transcribe 3 yüzde 4,0 ile önde.

Dağıtım ve dijital egemenlik

Mistral'ın diğer modellerinde olduğu gibi Voxtral 3 de egemen dağıtım için tasarlandı. Mistral'ın AB'de barındırılan API'si üzerinden ya da müşterinin kendi altyapısında self-deployment ile kullanılabiliyor; bu da kuruluşlara sesin nerede işleneceği, verilerin nasıl ele alınacağı ve konuşmaların saklanıp saklanmayacağı konusunda kontrol sağlıyor.

Neden önemli

Ses, AI agent'ları için yeni arayüz savaş alanı haline geliyor ve Voxtral 3'ün bahsi, geliştiricilerin ayrı transkripsiyon, LLM ve TTS sağlayıcılarının kendin yap mantığıyla birleştirilmesinden çok bütünleşik bir stack istediği yönünde. SDK içindeki araç çağırma, 500 ms altındaki gerçek zamanlı transkripsiyonla birleşince konuşma modellerini yalnızca transkribe eden değil, canlı bir arama sırasında eylemde bulunabilen agent'lara dönüştürüyor. Egemenlik açısı — AB'de barındırma veya tam self-deployment — Mistral'ı ABD merkezli rakiplerinden ayırıyor ve kişisel ses verilerini işleyen çağrı merkezleri için önem taşıyor. Mistral'ın kendi kıyaslamalarında Microsoft, Google, OpenAI, Whisper ve Deepgram'ı kapsayan kalabalık alan, konuşma AI'sının ne kadar rekabetçi hale geldiğini gösteriyor; rakamlar bağımsız testlerde doğrulanırsa Voxtral 3, Avrupa'da veya Avrupa için voice agent geliştiren herkes için ciddi bir seçenek haline geliyor.