มีอะไรมาบ้าง
- Mistral ประกาศเมื่อคืน 20 ต.ค. ตามเวลาไทย มีทั้งโมเดลถอดเสียงเป็นข้อความ (speech-to-text) โมเดลอ่านข้อความเป็นเสียงพูด (text-to-speech) และชุดเครื่องมือทำผู้ช่วยคุยด้วยเสียง (voice agent SDK)
- Voxtral Small Transcribe 3 ตัวถอดเสียงที่แม่นที่สุดในชุด
- Voxtral Mini Transcribe 3 ตัวเล็กขนาด 4 พันล้านพารามิเตอร์ (4B) เน้นเร็วและถูก
- Voxtral Mini Transcribe Realtime 3 ถอดเสียงสด ๆ ช้าไม่ถึงครึ่งวินาที ทำมาให้ผู้ช่วยเสียงใช้
- Voxtral Mini TTS 3 ตัวพูด ใช้ได้ทั้งแบบส่งเป็นชุดและแบบสด ในหน้าราคาเรียกว่า Voxtral Speech 3
ถอดเสียงได้แม่นแค่ไหน
- ตัวถอดเสียงรองรับ 50 ภาษา มีภาษาราชการของ EU ครบ 24 ภาษา และภาษาเอเชียกับภาษาอินเดียอีกหลายภาษา ไทยก็อยู่ในชุดทดสอบด้วย
- แยกได้ว่าใครพูดตอนไหน (diarization) และป้อนคำเฉพาะทาง ชื่อคน ชื่อสินค้า ให้โมเดลฟังคำพวกนี้ถูกขึ้นได้ ไม่ต้องฝึกโมเดลเพิ่ม
- จับได้ด้วยว่าคนพูดจบประโยคแล้ว ผู้ช่วยเสียงจะได้ตอบทันที ไม่พูดแทรกตอนคนยังพูดไม่จบ
- ผลทดสอบที่ Mistral วัดเองบน FLEURS 45 ภาษา ตัว Small ผิดเฉลี่ย 4.0% เท่ากับ Microsoft AI Transcribe 2 ส่วน Gemini 3.5 Transcribe ผิด 4.5% และ Whisper large-v3 ผิด 14.9% (กรณีบอกภาษาไว้ก่อน)
- งานแยกคนพูด ตัว Small ผิด 18.4% ดีกว่า Microsoft AI Transcribe 2 ที่ 20.3% และ Gemini 3.5 Transcribe ที่ 38.4% ตามตัวเลขของ Mistral
- ป้อนคำเฉพาะทางแล้ว ตัว Small จับคำสำคัญได้ 94.6% สูสีกับ Scribe v2 ที่ 94.3% แต่ถ้าไม่ป้อนอะไรเลย Scribe v2 ยังทำได้ดีกว่า 84.0% ต่อ 81.4%
- บนกราฟที่ Mistral ยกคะแนนจาก Artificial Analysis มาแสดง ตัว Small ผิด 2.1% อยู่ที่ 3 ของกราฟ มีแค่ 2 ตัวที่ผิดน้อยกว่า
- ตัวถอดเสียงสดรองรับกว่า 35 ภาษา แต่ในชุดทดสอบ 35 ภาษาของตัวนี้ยังไม่มีภาษาไทย
เสียงพูดที่ปรับอารมณ์ตามบทสนทนา
- Voxtral Mini TTS 3 ปรับอารมณ์ จังหวะ และการเน้นคำเองตามเนื้อความ หรือจะสั่งเพิ่มเองก็ได้ รองรับกว่า 35 ภาษาและกว่า 50 สำเนียงท้องถิ่น
- โคลนเสียงได้ และมี Pro Voice สำหรับงานมืออาชีพ ใช้เสียงต้นฉบับแค่ 30 นาที ก็เลียนลักษณะเสียง อารมณ์ และสไตล์การพูดของคนนั้นข้ามภาษาได้
- มีคลังคำศัพท์ และใส่คำใบ้วิธีออกเสียงให้ชื่อแปลก ๆ ได้
- ในการทดสอบของ Mistral เอง ตัวนี้ออกเสียงคำหายากได้ถูก 86.8% สูงสุดในกลุ่มที่เอามาเทียบ
- แต่ชุดทดสอบเรื่องตัวเลขและชื่อเฉพาะของ BeSimple AI ได้ 79.7% ยังตามหลัง Eleven v4 ที่ได้ 98.3% ซึ่งราคาแพงกว่าราว 6 เท่า
- ตัวอย่างเสียงและเสียงสำเร็จรูป 18 ภาษาในหน้าประกาศ ยังไม่มีภาษาไทย
ผู้ช่วยเสียงที่คุยไปทำงานไปได้
- ชุดเครื่องมือทำผู้ช่วยเสียงสร้างบน LiveKit ต่อสามขั้นไว้ในสายเดียว ตัวถอดเสียงสดฟัง โมเดลภาษาอย่าง Mistral Small คิดและเรียกใช้เครื่องมือ แล้ว Voxtral Speech 3 พูดตอบ
- ไม่มีขั้นไหนต้องรอขั้นก่อนหน้าเสร็จ Mistral บอกว่าตอบแต่ละรอบเสร็จในไม่ถึง 1 วินาที และหยุดพูดทันทีถ้าคนโทรพูดแทรก
- ระหว่างคุยตรวจตัวตนคนโทร เช็กบิล หรือจองนัดให้ได้ ผ่านการเรียกฟังก์ชัน ค้นเว็บ และค้นข้อมูลในระบบของบริษัทเอง
- รับสายและโทรออกผ่าน SIP ใช้ในเบราว์เซอร์กับแอปผ่าน WebRTC และต่อกับระบบโทรศัพท์หรือคอลเซ็นเตอร์ที่ใช้อยู่ได้
- อยากเปลี่ยนโมเดลภาษา เปลี่ยนเสียง หรือเปลี่ยนภาษา ก็เปลี่ยนเฉพาะส่วนนั้นได้ ไม่ต้องเขียนใหม่ทั้งหมด
ใช้ได้ที่ไหน ราคาเท่าไหร่
- ใช้ได้แล้ววันนี้ผ่าน API ของ Mistral มีจุดให้บริการในยุโรป สหรัฐ และแบบทั่วโลก ลองเล่นได้ใน Studio
- ราคาถอดเสียงเริ่มที่ 0.0035 ดอลลาร์ต่อนาทีสำหรับตัว Mini ส่วนตัวพูด 13 ดอลลาร์ต่อล้านตัวอักษร
- Mistral อ้างว่าตัวพูดราคาถูกกว่าโมเดลระดับเดียวกันของ OpenAI, Deepgram, ElevenLabs และ Google
- ถ้าอยากรันทั้งชุดบนเครื่องของบริษัทเองหรือคลาวด์ส่วนตัว ต้องติดต่อทีม Mistral
- ตอนเขียนข่าวนี้ยังไม่เห็นไฟล์โมเดล Voxtral 3 บน Hugging Face ของ Mistral เลยยังโหลดมาลงเครื่องตัวเองแบบฟรีไม่ได้
ทำไมเรื่องนี้น่าสนใจ
- Mistral ขายจุดเด่นว่าเลือกได้ว่าจะให้เสียงไปประมวลผลที่ไหน และจะเก็บบทสนทนาไว้หรือไม่ องค์กรที่ห่วงเรื่องข้อมูลลูกค้าน่าจะชอบจุดนี้
- ตลาดผู้ช่วยตอบโทรศัพท์แข่งกันดุ ทั้ง ElevenLabs, Microsoft, Google และ OpenAI การมีครบทั้งฟัง คิด พูด จากที่เดียวช่วยให้ต่อระบบง่ายขึ้น
สรุป
Voxtral 3 ทำให้ Mistral มีของครบทั้งหูและปาก ราคาถอดเสียงถูกมาก และฟังภาษาไทยออกแล้ว ที่ต้องรอดูคือผลทดสอบจากคนนอก กับวันที่ตัวพูดจะพูดไทยได้
แหล่ง: Mistral AI (หน้าประกาศ Voxtral 3 และโพสต์ X) · 20 ต.ค. 2026