مدل تازهٔ Voxtral 3 از Mistral صوت فارسی را هم به متن تبدیل می‌کند

شرکت فرانسوی Mistral AI روز ۲۸ مهر ۱۴۰۵ (۲۰ اکتبر ۲۰۲۶) نسل سوم مدل‌های صوتی خود، Voxtral 3، را منتشر کرد. این نسل دو مدل تبدیل گفتار به متن دارد، Voxtral Small Transcribe 3 و Voxtral Mini Transcribe 3، که فارسی هم جزو زبان‌هایشان است، و یک مدل تبدیل متن به گفتار به نام Voxtral Mini TTS 3. هر سه مدل از صبح ۲۹ مهر در کاتالوگ گیسو هستند. اگر فایل صوتی جلسه، ویس یا مصاحبهٔ فارسی دارید که باید متن شود، می‌توانید از امروز این مدل‌ها را در گیسو امتحان کنید.

در Voxtral 3 چه چیزی تازه است

به گفتهٔ Mistral، فهرست زبان‌های مدل‌های تبدیل گفتار به متن در این نسل به ۵۰ زبان رسیده است. سه قابلیت دیگر هم در اطلاعیهٔ رسمی آمده است:

• تشخیص گوینده (Diarization): در فایلی که چند نفر حرف می‌زنند، مدل مشخص می‌کند هر جمله را چه کسی گفته است. این برای پیاده‌کردن صوت جلسه و مصاحبه به کار می‌آید.
• واژه‌های کلیدی (Context biasing): می‌توانید نام‌ها و اصطلاح‌های خاص کارتان را به مدل بدهید تا آن‌ها را درست‌تر بنویسد.
• حالت هم‌زمان (Realtime): مدل حین صحبت متن را می‌نویسد و تشخیص می‌دهد گوینده کی حرفش تمام شده است. این بخش بیشتر به کار سازندگان دستیار صوتی و مرکز تماس می‌آید.

مدل تبدیل متن به گفتار، Voxtral Mini TTS 3، به گفتهٔ Mistral بیش از ۳۵ زبان و ۵۰ گویش را پوشش می‌دهد و لحن، سرعت و تأکید صدا را با موضوع گفت‌وگو تنظیم می‌کند. Mistral یک ابزار برنامه‌نویسی (SDK) هم برای ساخت دستیار صوتی منتشر کرده که شنیدن، فکر کردن و جواب دادن با صدا را کنار هم می‌گذارد.

وضعیت زبان فارسی

فارسی (FA) در فهرست زبان‌هایی است که Mistral دقت تبدیل گفتار به متن این مدل‌ها را روی آن‌ها سنجیده و در اطلاعیهٔ خود منتشر کرده است. پس برای متن کردن صوت فارسی، دو مدل Transcribe گزینهٔ تازه‌ای کنار مدل‌های قبلی هستند.

دربارهٔ تبدیل متن به گفتار حرف روشن این است: صداهای آماده (Voice Presets) این مدل در ۱۸ زبان عرضه شده‌اند و فارسی در آن فهرست نیست. اگر صدای فارسی برای ویدیو یا پادکست می‌خواهید، پیش از کار اصلی یک جملهٔ کوتاه امتحان کنید و نتیجه را بشنوید.

Voxtral 3 را در گیسو چطور به کار ببرید

1. صفحهٔ مدل را باز کنید: Voxtral Small Transcribe 3 برای دقت بیشتر، یا Voxtral Mini Transcribe 3 برای کارهای سبک‌تر. برای صدا ساختن، Voxtral TTS 3.
2. هزینهٔ هر دقیقه صدا را در همان صفحه ببینید. هزینه از سکه‌های حساب گیسوی شما کم می‌شود.
3. برنامه‌نویس‌ها نام مدل را در وب‌سرویس سازگار با OpenAI گیسو می‌گذارند و بقیهٔ کد را تغییر نمی‌دهند.

اگر فقط می‌خواهید یک فایل صوتی فارسی را متن کنید و انتخاب مدل برایتان مهم نیست، از صفحهٔ تبدیل صدا به متن فارسی شروع کنید.

منابع

• Mistral AI — Voxtral 3 (اطلاعیهٔ رسمی، ۲۰ اکتبر ۲۰۲۶)