Mistral AI представи Voxtral 3 — пълен стек за гласови агенти, който слуша, мисли и говори в реално време

Mistral AI пусна Voxtral 3, ново семейство езикови модели, създадени за гласови агенти в реално време. Системата включва модел за преобразуване на реч в текст (Voxtral Small Transcribe 3), модел за преобразуване на текст в реч (Voxtral Mini TTS 3) и SDK за гласови агенти, базиран на LiveKit. Заедно те обединяват слушането, мисленето, използването на инструменти и говоренето в единен поточен процес. Транскрипцията обхваща повече от 50 езика. Изходът на системата за преобразуване на текст в реч поддържа над 35 езика и 50 диалекта с емоционална адаптация. Агентите могат да се свързват с външни системи по време на разговори на живо, например за резервиране на часове или проверка на фактури.

Mistral твърди, че системата може да работи на собствената ви инфраструктура или чрез API, хоствани в ЕС, така че данните да останат под ваш контрол. Цените започват от 0,0035 долара на минута за транскрипция. Повече подробности има в документацията.

Новини за изкуствения интелект без сензация – подбрани от хора

Абонирайте се за THE DECODER и получете четене без реклами, седмичен бюлетин за изкуствения интелект, ексклузивния ни тримесечен доклад „AI Radar“ за водещите тенденции, пълен достъп до архива и достъп до секцията за коментари.