मिस्ट्रल के नए वाक् मॉडल सबसे तेज़ सेटिंग पर लगभग दोगुनी ग़लतियाँ करते हैं, उसी के अपने चार्ट के अनुसार

क्या जारी हुआ

मिस्ट्रल ने वॉक्सट्रल 3 प्रकाशित किया है, वाक् मॉडलों का एक परिवार जो प्रतिलेखन, स्ट्रीमिंग प्रतिलेखन और संश्लेषण को समेटता है। यह कंपनी के ब्लॉग पर आया है। इसमें बैच सटीकता के लिए वॉक्सट्रल स्मॉल ट्रांसक्राइब 3, दक्षता के लिए 4 अरब पैरामीटर वाला वॉक्सट्रल मिनी ट्रांसक्राइब 3, स्ट्रीमिंग के लिए वॉक्सट्रल मिनी ट्रांसक्राइब रियलटाइम 3, और पाठ-से-वाक् के लिए वॉक्सट्रल स्पीच 3 हैं। लाइवकिट पर बना वॉइस एजेंट एसडीके इन्हें एक ही पाइपलाइन में जोड़ता है।

बैच प्रतिलेखन 50 से अधिक भाषाएँ समेटता है, जिनमें यूरोपीय संघ की 24 आधिकारिक भाषाएँ हैं; रियलटाइम मॉडल 35 से अधिक; और वाक् मॉडल 35 से अधिक भाषाएँ तथा 50 से अधिक बोलियाँ, जिनमें 18 भाषाओं की तैयार आवाज़ें हैं। नीचे के सभी आँकड़े मिस्ट्रल के अपने हैं, उसके उत्पाद पृष्ठ पर प्रकाशित, किसी स्वतंत्र परीक्षण से नहीं।

विलंब का कर, मिस्ट्रल के ही आँकड़ों में

पृष्ठ पर सबसे काम की चीज़ रियलटाइम चार्ट है, क्योंकि वह गति की क़ीमत छिपाने के बजाय बताता है। 35 भाषाओं पर FLEURS में मापने पर, मिनी ट्रांसक्राइब 3 की ऑफ़लाइन आधार-रेखा 4.0% औसत शब्द-त्रुटि दर दिखाती है। उसी मॉडल को धारा के रूप में चलाने पर विलंब घटने के हर पायदान पर त्रुटि बढ़ती है: 2,400 मिलीसेकंड पर 5.7%, 960 पर 6.0%, 480 पर 6.4% और 240 पर 7.4%।

यह विक्रेता द्वारा ही प्रकाशित सीधा सौदा है: एक चौथाई सेकंड में उत्तर पाने की क़ीमत है पूरे फ़ाइल वाले उसी मॉडल से लगभग 85% अधिक शब्द-त्रुटियाँ। उसी चार्ट में मिस्ट्रल जेमिनी 3.5 रियलटाइम ट्रांसक्राइब को 4.2%, माइक्रोसॉफ़्ट एआई ट्रांसक्राइब 2 स्ट्रीमिंग को 5.8%, जीपीटी लाइव ट्रांसक्राइब को 8.4% और स्क्राइब v2 रियलटाइम को 8.7% पर रखता है।

बैच प्रतिलेखन में मिस्ट्रल वॉक्सट्रल स्मॉल ट्रांसक्राइब 3 को भाषा तय होने पर लगभग 4.1% और स्वतः पहचान पर 4.0% शब्द-त्रुटि देता है, जबकि व्हिस्पर लार्ज-v3 के लिए लगभग 16.0% और 14.9% — चार्ट की सबसे पुरानी तुलना, और वही जो परिणाम को सबसे अच्छा दिखाती है।

जहाँ कंपनी ख़ुद को आगे बताती है

वक्ता-विभाजन के आँकड़े ज़्यादा मज़बूत दावा हैं। पाँच संवाद-संग्रहों के औसत पर मिस्ट्रल वॉक्सट्रल स्मॉल ट्रांसक्राइब 3 के लिए 18.4% और मिनी के लिए 18.6% बताता है, जबकि पायानोट के प्रिसिज़न 3 ऑर्केस्ट्रेटर के लिए 19.0%, माइक्रोसॉफ़्ट एआई ट्रांसक्राइब 2 के लिए 20.3%, स्क्राइब v2 के लिए 23.0% और जेमिनी 3.5 ट्रांसक्राइब के लिए 38.4%। पिछली पीढ़ी, वॉक्सट्रल मिनी ट्रांसक्राइब 2, 30.9% पर है — पृष्ठ का सबसे बड़ा एकल सुधार, और वह भी अपने ही मुक़ाबले।

क़ीमतें और ढाँचा

मिस्ट्रल मिनी ट्रांसक्राइब 3 के लिए 0.0035 डॉलर प्रति मिनट, स्मॉल ट्रांसक्राइब 3 के लिए 0.0040 और रियलटाइम मॉडल के लिए 0.008 डॉलर लेता है, जबकि वाक् संश्लेषण 13 डॉलर प्रति दस लाख वर्ण है। आवाज़ की नक़ल के लिए लगभग 30 मिनट का नमूना ऑडियो चाहिए। प्रतिलेखन मॉडल वक्ता-विभाजन, मुख्य-शब्द झुकाव और बारी-समाप्ति पहचान देते हैं; एजेंट ढाँचा SIP से टेलीफ़ोन और WebRTC से ब्राउज़र तक पहुँचता है, और मिस्ट्रल कहता है कि एजेंट की पूरी बारी एक सेकंड से कम में पूरी होती है।

मॉडल मिस्ट्रल के एपीआई पर यूरोपीय, अमेरिकी और वैश्विक एंडपॉइंट से, स्टूडियो के परीक्षण-पटल पर, और अनुरोध पर अपनी व्यवस्था में तैनाती के लिए उपलब्ध हैं।

जो ग़ायब है

जिस कंपनी की पहचान खुले वज़नों पर टिकी है, उसका पृष्ठ लाइसेंस पर चुप है: वह नहीं बताता कि वॉक्सट्रल 3 के कोई वज़न जारी होंगे या नहीं, किन शर्तों पर, या यह परिवार केवल एपीआई तक सीमित है। वह अधिकतम ऑडियो अवधि, संदर्भ सीमा, स्मॉल या वाक् मॉडल के पैरामीटर, और स्पष्ट विमोचन तिथि भी नहीं देता — पृष्ठ पर एकमात्र तिथि एक पाद-टिप्पणी है कि वाक् मूल्यांकन 20 अक्टूबर को बनाए गए।

जिन आँकड़ों का इंतज़ार है, वे स्वतंत्र हैं। मिस्ट्रल का रियलटाइम चार्ट स्ट्रीमिंग की क़ीमत के बारे में असामान्य रूप से ईमानदार है; बैच और वक्ता-विभाजन की बढ़त किसी और के परीक्षण-संग्रह में टिकती है या नहीं, यह हिस्सा अभी दर्ज नहीं हुआ।