شرح Mistral Voxtral 3: Voice Agent Stack مقابل ElevenLabs في الوقت الحقيقي

شرح Mistral Voxtral 3: Voice Agent Stack الكامل مقابل ElevenLabs في الوقت الحقيقي

كان لدى Voice AI يوم ثلاثاء مزدحم. في 20 أكتوبر 2026، أطلقت Mistral لعبة Voxtral 3، وهي حزمة كاملة من وكلاء الصوت مع ثلاث طبقات نسخ، ونموذج تحويل النص إلى كلام، وSDK لوكيل الصوت في الوقت الحقيقي. في نفس العصر، أصدرت ElevenLabs نموذج Eleven Realtime، وهما نموذجان من تحويل الكلام إلى كلام مصممان للمحادثة الحية بالذكاء الاصطناعي.

مختبران، وبنتان معماريتان مختلفتان تماما، هدف واحد: ذكاء اصطناعي يمكنه إجراء مكالمة هاتفية حقيقية. إليك ما يفعله كل منهما، وما يكلف كل منهما، وكيف يمكن الاختيار بينهما.

حكم سريع

الخلاصة: اختر Voxtral 3 عندما يكون الاختيار هو الإقامة في البيانات، أو التغطية متعددة اللغات، أو تكلفة الدقيقة. اختر Eleven Realtime عندما يجب أن يبدو الصوت نفسه مثاليا. تابع القراءة للاطلاع على الأرقام الكاملة.

ما الذي يتضمنه ميسترال فوكسترال 3 فعليا

Voxtral 3 ليس نموذجا واحدا. إنه مجموعة من نماذج الكلام بالإضافة إلى SDK لوكيل الصوت الذي يربطها معا. كل جزء متاح اليوم من خلال واجهة Mistral، أو مستضافة في الاتحاد الأوروبي، أو منشورة على بنيتك التحتية الخاصة.

Voxtral Mini Transcribe 3: 0.0035 دولار للدقيقة

طبقة النسخ الاقتصادية. نموذج تحويل الكلام إلى نص بقيمة 4 مليارات معامل مصمم لأعباء العمل الدفعية، بسعر 0.0035 دولار لكل دقيقة صوتية. كلا النموذجين الدفعيين يقبلان مصطلحات رئيسية ونص سياق إضافي، لذا يتم التعرف على مفردات المجال دون ضبط دقيق.

Voxtral Small Transcribe 3: 0.004 دولار في الدقيقة

نموذج النسخ الرئيسي: 50+ لغة تشمل جميع اللغات الرسمية ال 24 في الاتحاد الأوروبي، بالإضافة إلى اللغات الآسيوية والهندية مع موارد أقل. يضيف توثيق المتحدث، واكتشاف نهاية الدور (يعرف متى توقف المتصل)، وتحيز السياق للمصطلحات المتخصصة. تقول Mistral إنها تتفوق على Whisper وScribe v2 وGemini 3.5 Transcribe في اختباراتها متعددة اللغات الخاصة. المزيد عن هذه الأرقام أدناه.

Voxtral Mini Transcribe Realtime 3: 0.008 دولار للدقيقة

المستوى الذي يركز على الوكيل: 35+ لغة مع زمن تأخير النسخ أقل من 500 مللي ثانية، بما في ذلك تحديد المتحدث واستخدام المفردات. هذا هو النموذج الذي يغذي SDK لوكيل الصوت.

الكلام الصوتي 3: 13 دولارا لكل مليون حرف

يغطي نموذج تحويل النص إلى كلام 35+ لغة و50+ لهجة، مع إمكانية التحكم في العاطفة والإيقاع والتركيز كمتغيرات تعليمات. تتوفر إعدادات الصوت المسبقة ب 18 لغة، من العربية والهندية إلى الفيتنامية. يتطلب استنساخ الصوت 30 دقيقة أو أكثر من الصوت، وخيار Pro Voice يكيف مدى شخصية المتحدث والنطاق العاطفي عبر اللغات بدءا من حوالي 30 دقيقة من التسجيلات. نفس السعر البالغ 13 دولارا للاستخدام الدفعي والفوري عبر واجهة برمجة تطبيقات واحدة. تصنف Mistral اللعبة على أنها أرخص من OpenAI TTS-1 وDeepgram وElevenLabs Flash وGemini Flash.

SDK لوكيل الصوت: LiveKit، أقل من ثانية واحدة في كل دور

القطعة الرئيسية هي SDK، المبنية على LiveKit. Voxtral Mini Transcribe Realtime 3 يستمع، نموذج عام مثل Mistral Small يسبب ويتصل بالأدوات، وVoxtral Speech 3 يجيب بنبرة المحادثة. لا يوجد مرحلة تنتظر المرحلة التي قبلها، لذا يقول ميسترال إن كل دور يكتمل في أقل من ثانية واحدة ويتوقف العميل عن الكلام عندما يقاطع المتصل.

خلال المكالمة، يمكن للوكيل التحقق من هوية المتصل، أو التحقق من فاتورة، أو حجز موعد، باستخدام الاتصال بالوظائف، والبحث على الويب، والاسترجاع عبر أنظمتك الخاصة. يرد ويضع المكالمات عبر SIP، ويشغل المتصفحات والتطبيقات عبر WebRTC، ويتصل بالهاتف وIVR وبرامج مراكز الاتصال. كل مرحلة هي نموذج منفصل، بحيث يمكنك تبديل نموذج اللغة الكبيرة أو الصوت أو اللغة دون إعادة كتابة الوكيل.

النشر هو عرض السيادة: شغل المكدس على واجهة برمجة تطبيقات ميسترال الأوروبية أو على بنيتك التحتية الخاصة، مع التحكم في مكان معالجة المحادثات وما إذا كان الصوت سيبقى. لاحظ أن الإعلان لا يربط الأوزان المفتوحة القابلة للتنزيل؛ الاستضافة الذاتية متاحة من خلال قناة نشر ميسترال الخاصة.

ما الذي قدمته ElevenLabs: Eleven Realtime v1 Max و v1 Mini

اختار ElevenLabs التحويل من الطرف إلى الطرف بدلا من النموذج المعياري. تم إصدار نموذجين من الكلام إلى كلام في نفس اليوم:

• Eleven Realtime v1 Max: لعبة الدقة. أفاد ElevenLabs بالحصول على 98.8٪ في اختبار Big Bench Audio مع حوالي 0.57 ثانية من وقت الاستجابة، وتقول إنه لا يوجد نموذج في لوحة التحليل الاصطناعي للكلام إلى كلام أسرع وأكثر دقة في الوقت الحالي. موجه لمهام صعبة مثل روبوتات دعم العملاء.
• Eleven Realtime v1 Mini: اللعب السعري للمحادثات الطبيعية اليومية. يمكنه معرفة متى ينتهي المتحدث مقابل مجرد قول "مم-هم"، وهذا مهم جدا لأخذ الأدوار الطبيعي.

كلاهما يعمل عبر منصة ElevenAgents وواجهة برمجة تطبيقات فورية متوافقة مع OpenAI، لذا يمكن لكود وكيل الصوت الحالي في OpenAI أن يشير إلى نقاط نهاية ElevenLabs. التسعير هو لكل دقيقة صوت بالإضافة إلى استخدام الرموز، مع سعر أقصى أعلى من Mini؛ لم تنشر ElevenLabs رقما ثابتا في الدقيقة كما فعلت Mistral. لم تنشر بعد معايير مرجعية مستقلة تتجاوز ادعاءات الشركة نفسها.

المعايير المرجعية: من ينسخ بشكل أفضل

نشرت ميسترال أرقام معدل خطأ الكلمات على معيار FLEURS عبر 45 لغة، مع لغة استنتاجية. سجل Voxtral Small Transcribe 3 نسبة 4.0٪، متجاوزا Microsoft AI Transcribe 2 في أرقام ميسترال نفسها، متقدما على Gemini 3.5 Transcribe بنسبة 4.5٪، وScribe v2 بنسبة 4.9٪، وGPT Transcribe بنسبة 5.6٪، وWhisper large-v3 بنسبة 14.9٪.

هناك تحذيران مهمان. أولا، هذه أرقام تم الإبلاغ عنها من قبل البائعين من منشور إطلاق ميسترال، ولم يتم التحقق منها بشكل مستقل، ولا ينشر أي تواصلات أو أسماء عملاء حسب اللغة. ثانيا، لا تقارن هذا الرسم البياني برقم Big Bench Audio من ElevenLabs بنسبة 98.8٪: معايير الأداء المختلفة تقيس أشياء مختلفة، ولا يتم الإعلان عن الفائزين عبر المعايير لهذا السبب.

بالنسبة ل Eleven Realtime، البيان الصادق هو أن ادعاءات ElevenLabs الخاصة ب Big Bench Audio and Artificial Analysis هي الأرقام الوحيدة المتاحة حاليا. عامل أرقام كلا البائعين كأنها تسويق حتى تقوم أطراف ثالثة بإعادة إنتاجها.

أي واحد يجب أن تبني عليه؟

اختر فوكسترال 3 إذا:

• تحتاج إلى إقامة بيانات في الاتحاد الأوروبي أو حزمة مستضافة ذاتيا يمكن لفريق الامتثال تدقيقها.
• النص هو عبء العمل: 50+ لغة بسعر 0.0035 إلى 0.004 دولار في الدقيقة رخيص حقا.
• تريد خط أنابيب معياري حيث يمكن تبديل نموذج اللغة الكبيرة والصوت واللغة بشكل مستقل.
• تحتاج إلى استخدام الأدوات أثناء المكالمة: الحجز، البحث عن الفواتير، التحقق من الهوية عبر SIP وWebRTC.

اختر Eleven Realtime إذا:

• الصوت نفسه هو المنتج: طبيعية ممتازة، أصوات شخصيات، وكلاء يحملون علامات تجارية.
• تريد التحدث من البداية إلى النهاية دون توصيل STT وTTS معا بنفسك.
• أنت بالفعل تبني على ElevenAgents أو تريد واجهة برمجة تطبيقات فورية متوافقة مع OpenAI.
• تحتاج إلى نسخ صوتية فورية مدتها 10 ثوان بدلا من تعديل صوتي مدته 30 دقيقة.

فكر في كلاهما إذا: أنت تبني وكلاء صوتيين للعملاء والتسعير لكل مشروع. تحدد نسخ دفعة من Voxtral بقيمة 0.0035 دولار في الدقيقة وTTS بقيمة 13 دولار/حرف أدنى للعمل عالي الحجم، بينما يمكن لاستنساخ ElevenLabs في 10 ثوان وطبيعية تحويل الكلام إلى كلام أن تبرر علاوة حيث يكون الصوت هو الميز. تبني CodeMyPixel هذا النوع من التقييم بالضبط في كل مشاركة تطوير وكيل ذكاء اصطناعي: اختبر كلا المجموعتين مقابل مكالماتك الحقيقية قبل الالتزام.

الأسئلة الشائعة

كم يكلف فوكسترال 3؟

تكلفة النسخ 0.0035 دولار للدقيقة لنسخة Voxtral Mini Transcribe 3 في دفعة، و0.0040 دولار ل Voxtral Small Transcribe 3، و0.008 دولار ل Voxtral Mini Transcribe Realtime 3. تكلفة تحويل النص إلى كلام في Voxtral Speech 3 تكلف 13 دولارا لكل مليون حرف، وهو نفس السعر للاستخدام الدفعي والفوري في الوقت الحقيقي.

هل Voxtral 3 مفتوح المصدر؟

إعلان الإطلاق لا يربط الأوزان المفتوحة أو ترخيص قابل للتنزيل. تقدم ميسترال النماذج من خلال واجهتها مع نقاط نهاية في أوروبا والولايات المتحدة والعالمية، ويمكن للفرق التي تحتاج إلى صوت للبقاء في بيئتها الخاصة أن تسأل ميسترال عن النشر المستضاف الذاتي أو السحابة الخاصة.

ما مدى دقة Voxtral Small Transcribe 3؟

في اختبار FLEURS الخاص ب Mistral عبر 45 لغة، سجل معدل خطأ في الكلمات 4.0٪ مع اللغة المستنتجة، مقابل 4.5٪ لجيميني 3.5 Transcribe، و4.9٪ ل Scribe v2، و5.6٪ ل GPT Transcribe، و14.9٪ ل Whisper large-v3. يعادل Microsoft AI Transcribe 2 النسبة عند 4.0٪. هذه أرقام منشورة من ميسترال، ولم يتم التحقق منها بشكل مستقل.

ما الفرق بين Voxtral 3 و ElevenLabs Eleven Realtime؟

Voxtral 3 هو مكدس معياري: نماذج منفصلة من الكلام إلى نص، ونماذج اللغة الكبيرة (LLM)، والنص إلى كلام مع دمج SDK قائم على LiveKit. Eleven Realtime هو تحويل كلام إلى كلام من الطرف إلى النهاية: نموذج واحد يدخل الصوت وينتج الصوت في مستويين (v1 Max للدقة، v1 Mini للتكلفة).

هل يمكن للعبة Voxtral Speech 3 استنساخ صوت؟

نعم، من خلال 30 دقيقة أو أكثر من الصوت. خيار Pro Voice يكيف شخصية المتحدث ونطاق مشاعره وأسلوبه عبر اللغات من حوالي 30 دقيقة من التسجيلات. الإعدادات الصوتية متوفرة ب 18 لغة.

متى تم إصدار فوكسترال 3؟

أعلنت ميسترال عن Voxtral 3 في 20 أكتوبر 2026، بعد يوم واحد من نموذج السلسلة الزمنية Timestral. أصدرت ElevenLabs Eleven Realtime في نفس العصر.

أيهما أفضل لوكيل دعم العملاء الصوتي؟

إذا كانت مكالمات الدعم تعمل بعدة لغات وكانت الميزانيات محدودة، فإن نسخ Voxtral 3 بتكلفة 0.004 دولار في الدقيقة مع توثيق المتحدث وحزمة تطوير LiveKit هي الخيار العملي. إذا لم يشعر المتصلون أبدا بأنهم يتحدثون إلى روبوت، فإن خط أنابيب الكلام إلى كلام في Eleven Realtime v1 Max الذي يستغرق 0.57 ثانية مصمم لذلك. يجب على معظم الفرق تجربة كلاهما على تسجيلات المكالمات الحقيقية قبل الاختيار.

أين يمكنني الحصول على وكيل صوتي لعملي؟

يصمم CodeMyPixel ويبني وكلاء ذكاء اصطناعي مخصصين يتعاملون مع المكالمات، والحجوزات، والمتابعات للأعمال الحقيقية، بما في ذلك وكلاء الصوت على مجموعات مثل Voxtral 3. ابدأ بمراجعة مجانية لفرص الذكاء الاصطناعي لترى أي أجزاء من عمليتك يمكن لوكيل الصوت توليها المسؤولية.

المصادر: منشور إطلاق Mistral AI (mistral.ai/news/voxtral-3)، Technobezz، The Decoder، The Circuitry، ai-tldr، explainx.ai. جميع أرقام المعيار والتسعير كما أبلغ عنها البائعون في 20 أكتوبر 2026، ولم يتم التحقق منها بشكل مستقل.

• mistral voxtral 3
• voice ai
• voice agents
• elevenlabs
• text to speech
• speech to text