মিস্ট্রাল ভক্সট্রাল 3 ব্যাখ্যা করা হয়েছে: ভয়েস এজেন্ট স্ট্যাক বনাম ইলেভেনল্যাবস রিয়েলটাইম

মিস্ট্রাল ভক্সট্রাল 3 ব্যাখ্যা করা হয়েছে: ফুল ভয়েস এজেন্ট স্ট্যাক বনাম ইলেভেনল্যাবস রিয়েলটাইম

ভয়েস এআই একটি ব্যস্ত মঙ্গলবার ছিল। 20 অক্টোবর, 2026 এ, মিস্ট্রাল তিনটি ট্রান্সক্রিপশন স্তর সহ একটি সম্পূর্ণ ভয়েস এজেন্ট স্ট্যাক, একটি টেক্সট-টু-স্পিচ মডেল এবং একটি রিয়েল-টাইম ভয়েস এজেন্ট এসডিকে প্রেরণ করেছিল। একই বিকেলে, ইলেভেনল্যাবস ইলেভেন রিয়েলটাইম প্রকাশ করেছে, লাইভ এআই কথোপকথনের জন্য নির্মিত দুটি স্পিচ-টু-স্পিচ মডেল।

দুটি ল্যাব, দুটি খুব আলাদা আর্কিটেকচার, একটি লক্ষ্য: এআই যা একটি বাস্তব ফোন কল ধরে রাখতে পারে। প্রত্যেকে কী করে, প্রত্যেকের কী খরচ এবং কীভাবে তাদের মধ্যে বাছাই করা যায় তা এখানে।

দ্রুত রায়

সারসংক্ষেপ লাইন: যখন ডেটা রেসিডেন্সি, বহুভাষিক কভারেজ বা প্রতি মিনিটের খরচ সিদ্ধান্ত নেয় তখন ভক্সট্রাল 3 বেছে নিন। ইলেভেন রিয়েলটাইম চয়ন করুন যখন ভয়েসটি নিজেই ত্রুটিহীন শব্দ করতে হবে। সম্পূর্ণ সংখ্যার জন্য পড়ুন।

মিস্ট্রাল ভক্সট্রাল 3 আসলে কী অন্তর্ভুক্ত করে

ভক্সট্রাল 3 একটি মডেল নয়। এটি স্পিচ মডেলগুলির একটি পরিবার এবং একটি ভয়েস এজেন্ট এসডিকে যা তাদের একসাথে সেলাই করে। প্রতিটি অংশ আজ মিস্ট্রালের এপিআইয়ের মাধ্যমে উপলব্ধ, ইইউতে হোস্ট করা হয়েছে বা আপনার নিজস্ব অবকাঠামোতে মোতায়েন করা হয়েছে।

ভক্সট্রাল মিনি ট্রান্সক্রাইব 3: প্রতি মিনিটে $ 0.0035

বাজেট ট্রান্সক্রিপশন স্তর। ব্যাচ ওয়ার্কলোডের জন্য নির্মিত একটি 4-বিলিয়ন-প্যারামিটার স্পিচ-টু-টেক্সট মডেল, যার দাম প্রতি মিনিটে 0.0035 ডলার। উভয় ব্যাচ মডেলই মূল পদ এবং অতিরিক্ত প্রসঙ্গ পাঠ্য গ্রহণ করে, তাই ডোমেন শব্দভাণ্ডার সূক্ষ্ম-টিউনিং ছাড়াই স্বীকৃত হয়।

ভক্সট্রাল স্মল ট্রান্সক্রাইব 3: প্রতি মিনিটে $ 0.004

ফ্ল্যাগশিপ ট্রান্সক্রিপশন মডেল: সমস্ত 24 টি অফিসিয়াল ইইউ ভাষা সহ 50+ ভাষা, পাশাপাশি কম সংস্থান সহ এশিয়ান এবং ভারতীয় ভাষাগুলি। এটি স্পিকার ডায়রাইজেশন, এন্ড-অফ-টার্ন সনাক্তকরণ (এটি জানে কখন কলার কথা বলা বন্ধ করে দেয়), এবং বিশেষ পদগুলির জন্য প্রসঙ্গ পক্ষপাত যুক্ত করে। মিস্ট্রাল বলেছেন যে এটি হুইস্পার, স্ক্রাইব ভি 2 এবং জেমিনি 3.5 ট্রান্সক্রাইবকে তাদের নিজস্ব বহুভাষিক পরীক্ষায় পরাজিত করে। নীচে এই সংখ্যাগুলি সম্পর্কে আরও জানা।

ভক্সট্রাল মিনি ট্রান্সক্রাইব রিয়েলটাইম 3: প্রতি মিনিটে $ 0.008

এজেন্ট-ফোকাসড টিয়ার: স্পিকার সনাক্তকরণ এবং শব্দভান্ডার ব্যবহার সহ 500 মিলিসেকেন্ডের নীচে ট্রান্সক্রিপশন ল্যাটেন্সি সহ 35+ ভাষা। এটি এমন মডেল যা ভয়েস এজেন্ট এসডিকে খাওয়ায়।

ভক্সট্রাল স্পিচ 3: প্রতি 1 মিলিয়ন অক্ষরে $ 13

টেক্সট-টু-স্পিচ মডেলটি 35+ ভাষা এবং 50+ উপভাষাকে কভার করে, আবেগ, গতি এবং জোর নির্দেশনা ভেরিয়েবল হিসাবে নিয়ন্ত্রণযোগ্য। ভয়েস প্রিসেটগুলি আরবি এবং হিন্দি থেকে ভিয়েতনামি পর্যন্ত 18 টি ভাষায় শিপ করে। ভয়েস ক্লোনিংয়ের জন্য 30 বা তার বেশি মিনিটের অডিও প্রয়োজন এবং একটি প্রো ভয়েস বিকল্পটি প্রায় 30 মিনিটের রেকর্ডিং থেকে ভাষা জুড়ে স্পিকারের চরিত্র এবং সংবেদনশীল পরিসরকে অভিযোজিত করে। একটি এপিআইয়ের মাধ্যমে ব্যাচ এবং রিয়েলটাইম ব্যবহারের জন্য একই $ 13 দাম। মিস্ট্রাল এটিকে OpenAI TTS-1, Deepgram, ElevenLabs Flash এবং Gemini Flash এর চেয়ে সস্তা হিসাবে অবস্থান করে।

ভয়েস এজেন্ট এসডিকে: লাইভকিট, প্রতি পালা এক সেকেন্ডের নিচে

শিরোনামের টুকরোটি হ'ল এসডিকে, লাইভকিটে নির্মিত। ভক্সট্রাল মিনি ট্রান্সক্রাইব রিয়েলটাইম 3 শোনে, মিস্ট্রাল স্মল রিজনস অ্যান্ড কলস টুলসের মতো একটি সাধারণ মডেল এবং কথোপকথনের সুরে ভক্সট্রাল স্পিচ 3 উত্তর দেয়। কোনও মঞ্চ এর আগে একটির জন্য অপেক্ষা করে না, তাই মিস্ট্রাল বলেছেন যে প্রতিটি পালা এক সেকেন্ডের মধ্যে শেষ হয় এবং কলার কাটার সময় এজেন্ট কথা বলা বন্ধ করে দেয়।

কলের সময় এজেন্ট আপনার নিজের সিস্টেমের মাধ্যমে ফাংশন কলিং, ওয়েব অনুসন্ধান এবং পুনরুদ্ধার ব্যবহার করে কোনও কলারের পরিচয় যাচাই করতে পারে, একটি বিল পরীক্ষা করতে বা অ্যাপয়েন্টমেন্ট বুক করতে পারে। এটি এসআইপির মাধ্যমে কলগুলির উত্তর দেয় এবং স্থাপন করে, ওয়েবআরটিসির মাধ্যমে ব্রাউজার এবং অ্যাপ্লিকেশনগুলিতে চালিত হয় এবং টেলিফোন, আইভিআর এবং যোগাযোগ-কেন্দ্র সফ্টওয়্যারে প্লাগ করে। প্রতিটি পর্যায় একটি পৃথক মডেল, তাই আপনি এজেন্টকে পুনরায় না লেখে এলএলএম, ভয়েস বা ভাষা অদলবদল করতে পারেন।

স্থাপনা হ'ল সার্বভৌমত্বের পিচ: মিস্ট্রালের ইইউ এপিআই বা আপনার নিজস্ব অবকাঠামোতে স্ট্যাকটি চালান, যেখানে কথোপকথনগুলি প্রক্রিয়া করা হয় এবং অডিও ধরে রাখা হয় কিনা তার নিয়ন্ত্রণের সাথে। নোট করুন যে ঘোষণাটি ডাউনলোডযোগ্য ওপেন ওয়েটগুলিকে লিঙ্ক করে না; স্ব-হোস্টিং মিস্ট্রালের নিজস্ব স্থাপনা চ্যানেলের মাধ্যমে দেওয়া হয়।

ইলেভেনল্যাবস কী প্রেরণ করেছে: এগারোটি রিয়েলটাইম ভি 1 ম্যাক্স এবং ভি 1 মিনি

ইলেভেনল্যাবস মডুলারের পরিবর্তে এন্ড-টু-এন্ড গিয়েছিল। একই দিনে প্রকাশিত দুটি স্পিচ-টু-স্পিচ মডেল:

• ইলেভেন রিয়েলটাইম ভি 1 ম্যাক্স: নির্ভুলতা খেলা। ইলেভেনল্যাবস প্রায় 0.57 সেকেন্ডের প্রতিক্রিয়া সময় সহ বিগ বেঞ্চ অডিও বেঞ্চমার্কে 98.8% রিপোর্ট করেছে এবং বলেছে যে কৃত্রিম বিশ্লেষণ স্পিচ-টু-স্পিচ লিডারবোর্ডের কোনও মডেল এই মুহূর্তে দ্রুত এবং আরও নির্ভুল নয়। গ্রাহক-সমর্থন বটের মতো কাজগুলি দাবি করার লক্ষ্যে।
• এগারো রিয়েলটাইম ভি 1 মিনি: প্রাকৃতিক, প্রতিদিনের কথোপকথনের জন্য খরচ খেলা। এটি বলতে পারে যে কোনও স্পিকার কখন শেষ হয়েছে বনাম কেবল "মিমি-হুম" বলে, যা প্রাকৃতিক টার্ন-টেকিংয়ের জন্য অনেক গুরুত্বপূর্ণ।

উভয়ই ইলেভেনএজেন্টস প্ল্যাটফর্ম এবং একটি OpenAI-সামঞ্জস্যপূর্ণ রিয়েলটাইম এপিআইয়ের মাধ্যমে চলে, তাই বিদ্যমান OpenAI ভয়েস-এজেন্ট কোড ইলেভেনল্যাবস এন্ডপয়েন্টগুলিতে নির্দেশ করতে পারে। মূল্য প্রতি মিনিটে অডিও প্লাস টোকেন ব্যবহার, ম্যাক্সের দাম মিনির উপরে রয়েছে; ইলেভেনল্যাবস মিস্ট্রালের মতো প্রতি মিনিটে একটি ফ্ল্যাট নম্বর প্রকাশ করেনি। কোম্পানির নিজস্ব দাবির বাইরে স্বতন্ত্র বেঞ্চমার্কগুলি এখনও প্রকাশিত হয়নি।

বেঞ্চমার্কস: কে আরও ভাল প্রতিলিপি করে

মিস্ট্রাল 45 টি ভাষা জুড়ে FLEURS বেঞ্চমার্কে শব্দ ত্রুটি হারের সংখ্যা প্রকাশ করেছে, অনুমিত ভাষার সাথে। ভক্সট্রাল স্মল 3 টি পোস্ট 4.0% এ মাইক্রোসফ্ট এআই ট্রান্সক্রাইব 2 কে মিস্ট্রালের নিজস্ব সংখ্যায় বেঁধে রেখেছিল, জেমিনি 3.5 ট্রান্সক্রাইব 4.5%, স্ক্রাইব ভি 2 4.9%, জিপিটি ট্রান্সক্রাইব 5.6%, এবং হুইসপার লার্জ-ভি 3 14.9% এ এগিয়ে ছিল।

দুটি গুরুত্বপূর্ণ সতর্কতা। প্রথমত, এগুলি মিস্ট্রালের লঞ্চ পোস্ট থেকে বিক্রেতা-রিপোর্ট করা নম্বর, স্বাধীনভাবে যাচাই করা হয়নি এবং পোস্টটি কোনও ভাষা ব্রেকআউট বা গ্রাহকের নাম প্রকাশ করে না। দ্বিতীয়ত, এই চার্টটি ইলেভেনল্যাবসের বিগ বেঞ্চ অডিও 98.8% চিত্রের সাথে তুলনা করবেন না: বিভিন্ন বেঞ্চমার্ক বিভিন্ন জিনিস পরিমাপ করে এবং ক্রস-বেঞ্চমার্ক বিজয়ীদের সেই কারণে এখানে ঘোষণা করা হয় না।

ইলেভেন রিয়েলটাইমের জন্য, সৎ বিবৃতিটি হ'ল ইলেভেনল্যাবসের নিজস্ব বিগ বেঞ্চ অডিও এবং আর্টিফিশিয়াল অ্যানালাইসিস দাবিগুলি এই মুহূর্তে উপলব্ধ একমাত্র সংখ্যা। তৃতীয় পক্ষগুলি পুনরুত্পাদন না করা পর্যন্ত উভয় বিক্রেতার নম্বরকে বিপণন হিসাবে বিবেচনা করুন।

আপনার কোনটি তৈরি করা উচিত?

ভক্সট্রাল 3 চয়ন করুন যদি:

• আপনার ইইউ ডেটা রেসিডেন্সি বা একটি স্ব-হোস্টেড স্ট্যাক দরকার যা আপনার কমপ্লায়েন্স টিম নিরীক্ষা করতে পারে।
• প্রতিলিপি হ'ল কাজের চাপ: প্রতি মিনিটে $ 0.0035 থেকে $ 0.004 এ 50+ ভাষা সত্যই সস্তা।
• আপনি একটি মডুলার পাইপলাইন চান যেখানে এলএলএম, ভয়েস এবং ভাষা স্বাধীনভাবে অদলবদল করা যেতে পারে।
• আপনার মিড-কল ব্যবহার সরঞ্জাম প্রয়োজন: বুকিং, চালান লুকআপ, এসআইপি এবং ওয়েবআরটিসির মাধ্যমে পরিচয় যাচাইকরণ।

এগারো রিয়েলটাইম চয়ন করুন যদি:

• ভয়েস নিজেই পণ্য: প্রিমিয়াম প্রাকৃতিকতা, চরিত্রের কণ্ঠস্বর, ব্র্যান্ডেড এজেন্ট।
• আপনি নিজেই এসটিটি এবং টিটিএস একসাথে ওয়্যারিং না করে এন্ড-টু-এন্ড স্পিচ-টু-স্পিচ চান।
• আপনি ইতিমধ্যে ইলেভেনএজেন্টগুলিতে তৈরি করেছেন বা একটি OpenAI-সামঞ্জস্যপূর্ণ রিয়েলটাইম এপিআই চান।
• আপনার 30 মিনিটের ভয়েস অভিযোজনের পরিবর্তে 10 সেকেন্ডের তাত্ক্ষণিক ভয়েস ক্লোন প্রয়োজন।

উভয়ই বিবেচনা করুন: আপনি ক্লায়েন্টদের জন্য ভয়েস এজেন্ট তৈরি করছেন এবং মূল্য প্রতি প্রকল্প। Voxtral এর $ 0.0035 / মিনিট ব্যাচ ট্রান্সক্রিপশন এবং $ 13 / এম-অক্ষর টিটিএস উচ্চ-ভলিউম কাজের জন্য একটি নিম্ন মেঝে সেট করে, যখন ইলেভেনল্যাবসের 10-সেকেন্ডের ক্লোনিং এবং স্পিচ-টু-স্পিচ ন্যাচারলনেস একটি প্রিমিয়ামকে ন্যাজিফাই করতে পারে যেখানে ভয়েসটি পচারাধীন। CodeMyPixel প্রতিটি এআই এজেন্ট ডেভেলপমেন্ট ব্যস্ততায় ঠিক এই ধরণের মূল্যায়ন তৈরি করে: প্রতিশ্রুতিবদ্ধ হওয়ার আগে আপনার আসল কলগুলির বিরুদ্ধে উভয় স্ট্যাককে পরীক্ষা করুন।

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

Voxtral 3 এর দাম কত?

ভক্সট্রাল মিনি ট্রান্সক্রাইব 3 ব্যাচের জন্য প্রতিলিপির জন্য প্রতি মিনিটে $ 0.0035, ভক্সট্রাল স্মল ট্রান্সক্রাইব 3 এর জন্য $ 0.0040 এবং ভক্সট্রাল মিনি ট্রান্সক্রাইব রিয়েলটাইম 3 এর জন্য $ 0.008 খরচ হয়। ভক্সট্রাল স্পিচ 3 টেক্সট-টু-স্পিচ প্রতি মিলিয়ন অক্ষরে $ 13 খরচ হয়, ব্যাচ এবং রিয়েলটাইম ব্যবহারের জন্য একই দাম।

ভক্সট্রাল 3 কি ওপেন সোর্স?

লঞ্চ ঘোষণাটি ওপেন ওয়েট বা ডাউনলোডযোগ্য লাইসেন্সকে লিঙ্ক করে না। মিস্ট্রাল ইইউ, মার্কিন যুক্তরাষ্ট্র এবং গ্লোবাল এন্ডপয়েন্টগুলির সাথে তার এপিআইয়ের মাধ্যমে মডেলগুলি সরবরাহ করে এবং যে দলগুলি তাদের নিজস্ব পরিবেশে থাকার জন্য অডিও প্রয়োজন তারা স্ব-হোস্টেড বা ব্যক্তিগত-ক্লাউড স্থাপনা সম্পর্কে মিস্ট্রালকে জিজ্ঞাসা করতে পারে।

ভক্সট্রাল স্মল ট্রান্সক্রাইব 3 কতটা সঠিক?

45 টি ভাষা জুড়ে মিস্ট্রালের FLEURS পরীক্ষায়, এটি অনুমিত ভাষার সাথে 4.0% শব্দ ত্রুটির হার পোস্ট করে, মিথুন 3.5 ট্রান্সক্রাইবের জন্য 4.5%, স্ক্রাইব ভি 2 এর জন্য 4.9%, জিপিটি ট্রান্সক্রাইবের জন্য 5.6% এবং হুইস্পার লার্জ-ভি 3 এর জন্য 14.9%। মাইক্রোসফ্ট এআই ট্রান্সক্রাইব 2 এটি 4.0% এ বেঁধে দেয়। এগুলি মিস্ট্রালের প্রকাশিত সংখ্যা, স্বাধীনভাবে যাচাই করা হয়নি।

ভক্সট্রাল 3 এবং ইলেভেনল্যাবস ইলেভেন রিয়েলটাইমের মধ্যে পার্থক্য কি?

ভক্সট্রাল 3 একটি মডুলার স্ট্যাক: পৃথক স্পিচ-টু-টেক্সট, এলএলএম এবং টেক্সট-টু-স্পিচ মডেলগুলি একটি লাইভকিট-ভিত্তিক এসডিকে দ্বারা যুক্ত হয়। এগারো রিয়েলটাইম হ'ল এন্ড-টু-এন্ড স্পিচ-টু-স্পিচ: একটি মডেল দুটি স্তরে অডিও গ্রহণ করে এবং অডিও আউট তৈরি করে (নির্ভুলতার জন্য ভি 1 ম্যাক্স, ব্যয়ের জন্য ভি 1 মিনি)।

ভক্সট্রাল স্পিচ 3 কি একটি ভয়েস ক্লোন করতে পারে?

হ্যাঁ, 30 বা তার বেশি মিনিটের অডিও থেকে। একটি প্রো ভয়েস বিকল্পটি প্রায় 30 মিনিটের রেকর্ডিং থেকে ভাষা জুড়ে স্পিকারের চরিত্র, সংবেদনশীল পরিসর এবং শৈলী অভিযোজিত করে। ভয়েস প্রিসেটগুলি 18 টি ভাষায় উপলব্ধ।

Voxtral 3 কখন মুক্তি পেয়েছিল?

মিস্ট্রাল তার টাইমস্ট্রাল টাইম-সিরিজ মডেলের একদিন পরে 20 অক্টোবর, 2026 এ ভক্সট্রাল 3 ঘোষণা করেছিল। ইলেভেনল্যাবস একই বিকেলে ইলেভেন রিয়েলটাইম প্রকাশ করেছিল।

কাস্টমার সাপোর্ট ভয়েস এজেন্টের জন্য কোনটি ভাল?

যদি অনেক ভাষায় সমর্থন কলগুলি চালিত হয় এবং বাজেটগুলি শক্ত হয়, তবে স্পিকার ডায়ারাইজেশন এবং এর লাইভকিট এসডিকে সহ ভক্সট্রাল 3 এর $ 0.004 / মিনিট প্রতিলিপি এবং এর লাইভকিট এসডিকে ব্যবহারিক বাছাই। যদি কলারদের কখনই মনে না হয় যে তারা কোনও রোবটের সাথে কথা বলছে, তবে ইলেভেন রিয়েলটাইম ভি 1 ম্যাক্সের 0.57-সেকেন্ড, স্পিচ-টু-স্পিচ পাইপলাইন এর জন্য নির্মিত হয়েছে। বেশিরভাগ দলকে বেছে নেওয়ার আগে রিয়েল কল রেকর্ডিংয়ে উভয়ই পাইলট করা উচিত।

আমি আমার ব্যবসায়ের জন্য একটি ভয়েস এজেন্ট কোথায় তৈরি করতে পারি?

CodeMyPixel কাস্টম এআই এজেন্টগুলি ডিজাইন করে এবং তৈরি করে যা ভক্সট্রাল 3 এর মতো স্ট্যাকগুলিতে ভয়েস এজেন্ট সহ বাস্তব ব্যবসায়ের জন্য কল, বুকিং এবং ফলো-আপগুলি পরিচালনা করে। আপনার অপারেশনের কোন অংশগুলি ভয়েস এজেন্ট নিতে পারে তা দেখতে একটি বিনামূল্যে এআই সুযোগ পর্যালোচনা দিয়ে শুরু করুন।

সূত্র: মিস্ট্রাল এআই লঞ্চ পোস্ট (mistral.ai/news/voxtral-3), টেকনোবেজ, দ্য ডিকোডার, দ্য সার্কিটরি, এআই-টিএলডিআর, explainx.ai। সমস্ত বেঞ্চমার্ক এবং মূল্যের পরিসংখ্যান 20 অক্টোবর, 2026 এ বিক্রেতাদের দ্বারা রিপোর্ট করা হয়েছে এবং স্বাধীনভাবে যাচাই করা হয়নি।

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