# Mistral เปิดตัว Voxtral 3 โมเดลเสียงพร้อม SDK ทำ Voice Agent ถอดเสียงกว่า 50 ภาษารวมไทย

> Mistral เปิดตัว Voxtral 3 เมื่อ 20 ต.ค. 2026 ชุดโมเดลถอดเสียง สังเคราะห์เสียง และ SDK ทำ Voice Agent ถอดเสียงกว่า 50 ภาษารวมภาษาไทย เริ่มนาทีละ 0.0035 ดอลลาร์

- ประเภท: ข่าว · หมวด: AI
- เผยแพร่: 2026-10-21T05:47:00.000Z · อัปเดต: 2026-10-21T05:47:00.000Z
- โดย: กองบรรณาธิการ THAI DATA, THAI DATA IT BUSINESS ENTERPRISE
- ที่มา: https://thaidata.co.th/ai/mistral-voxtral-3-voice-agent-sdk-thai/

## สรุปประเด็นสำคัญ

- Mistral AI เปิดตัว **Voxtral 3** เมื่อ **20 ตุลาคม 2026** ประกอบด้วยโมเดลถอดเสียง 3 รุ่น โมเดลสังเคราะห์เสียง Voxtral Speech 3 และ **SDK สำหรับสร้าง Voice Agent** ที่รวมการฟัง การคิด การเรียกเครื่องมือ และการพูดไว้ในสายเดียว
- ราคาผ่าน Mistral API: ถอดเสียงแบบ batch **0.0035 ดอลลาร์ต่อนาที** (Mini) และ **0.004 ดอลลาร์** (Small) แบบเรียลไทม์ **0.008 ดอลลาร์** สังเคราะห์เสียง **13 ดอลลาร์ต่อล้านตัวอักษร** และ Voice Agent API **0.04–0.08 ดอลลาร์ต่อนาที**
- โมเดลถอดเสียงรองรับ **50 ภาษา** และ**ภาษาไทยอยู่ในชุดทดสอบ FLEURS 45 ภาษา**ที่ Mistral ใช้วัดผล แต่ไม่อยู่ในรายการภาษาของการทดสอบแบบเรียลไทม์และเสียงสำเร็จรูป 18 ภาษา
- ผลทดสอบที่ Mistral รายงานเอง: Voxtral Small Transcribe 3 มีอัตราคำผิดเฉลี่ย **4.0%** เท่ากับ Microsoft AI Transcribe 2 ต่ำกว่า Gemini 3.5 Transcribe (4.5%) GPT Transcribe (5.6%) และ Whisper large-v3 (14.9%)
- หน้าเอกสารของ Mistral ระบุสถานะโมเดลเป็น **Public Preview** ใช้ได้ผ่าน API ที่โฮสต์ในยุโรป สหรัฐฯ และ global ส่วนการติดตั้งทั้งชุดในองค์กรต้องติดต่อทีมขาย

Mistral AI เปิดตัว Voxtral 3 เมื่อวันที่ 20 ตุลาคม 2026 เป็นชุดโมเดลถอดเสียงและสังเคราะห์เสียงรุ่นใหม่ พร้อม SDK สำหรับสร้าง Voice Agent ที่รับสาย คิด เรียกใช้ระบบขององค์กร และตอบกลับเป็นเสียงได้แบบเรียลไทม์ โมเดลถอดเสียงรองรับ 50 ภาษารวมภาษาไทย ราคาเริ่มต้นนาทีละ 0.0035 ดอลลาร์สหรัฐ

Mistral วาง Voxtral 3 ไว้สำหรับคอนแทกต์เซ็นเตอร์ เซอร์วิสเดสก์ ผู้ช่วยเสมือน และผู้ช่วยแบบไม่ต้องใช้มือ จุดขายหลักคือการติดตั้งแบบ Sovereign AI ใช้ได้ทั้งผ่าน API ที่โฮสต์ในยุโรป หรือติดตั้งบนโครงสร้างพื้นฐานขององค์กรเอง เพื่อให้องค์กรกำหนดได้ว่าเสียงถูกประมวลผลที่ไหน และจะเก็บบทสนทนาไว้หรือไม่

## Voxtral 3 มีโมเดลอะไรบ้าง และราคาเท่าไร

ชุด Voxtral 3 แยกงานเป็นโมเดลย่อยตามหน้าที่ ราคาด้านล่างเป็นราคาผ่าน Mistral API ตามตารางในประกาศ

| ส่วนประกอบ | หน้าที่ | ราคา (ดอลลาร์สหรัฐ) |
| --- | --- | --- |
| Voxtral Small Transcribe 3 | ถอดเสียงความแม่นยำสูงสุด แยกผู้พูด (diarization) | 0.004 ต่อนาที |
| Voxtral Mini Transcribe 3 | ถอดเสียงแบบ batch ขนาด 4B พารามิเตอร์ | 0.0035 ต่อนาที |
| Voxtral Mini Transcribe Realtime 3 | ถอดเสียงแบบสตรีมมิง ใช้กับเอเจนต์ | 0.008 ต่อนาที |
| Voxtral Speech 3 | สังเคราะห์เสียง ทั้ง batch และเรียลไทม์ | 13 ต่อล้านตัวอักษร |
| Voice Agent API + Mistral Small 4 | เอเจนต์เสียงครบวงจร | 0.04 ต่อนาที |
| Voice Agent API + โมเดลอื่น | เอเจนต์เสียงที่เลือกโมเดลคิดเอง | 0.08 ต่อนาที |

รุ่น Small และ Mini รองรับ context biasing คือส่งคำเฉพาะหรือข้อความประกอบให้โมเดลถอดคำศัพท์เทคนิค ชื่อสินค้า หรือชื่อคนได้แม่นขึ้นโดยไม่ต้อง fine-tune ส่วนการตรวจจับว่าผู้พูดพูดจบแล้ว (end-of-turn detection) ช่วยให้เอเจนต์ตอบได้ทันที โมเดลเรียลไทม์ตั้งค่าความหน่วงได้ตั้งแต่ 80 ถึง 2,400 มิลลิวินาทีผ่าน WebSocket ตามหน้าเอกสาร

ฝั่งสังเคราะห์เสียง Mistral บอกว่า Voxtral Speech 3 ปรับอารมณ์ จังหวะ และการเน้นคำตามบริบทของบทสนทนาได้ และมีฟีเจอร์ Pro Voice ที่เลียนเสียงเฉพาะตัวของผู้พูดข้ามภาษาได้จากเสียงตัวอย่างเพียง 30 นาที บริษัทอ้างว่าราคา 13 ดอลลาร์ต่อล้านตัวอักษรถูกกว่าโมเดลเทียบเคียงอย่าง OpenAI TTS-1, Deepgram, ElevenLabs Flash และ Gemini Flash

![ตารางราคา Voxtral 3 ในประกาศของ Mistral: ถอดเสียง 0.0035–0.008 ดอลลาร์ต่อนาที สังเคราะห์เสียง 13 ดอลลาร์ต่อล้านตัวอักษร และ Voice Agent API 0.04–0.08 ดอลลาร์ต่อนาที](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/mistral-voxtral-3-voice-agent-sdk-thai/voxtral-3-pricing-table.webp?v=432a1967) _(ภาพ: Mistral AI (ภาพหน้าจอ))_

## Voice Agent SDK ของ Voxtral 3 ทำงานอย่างไร

หัวใจของ Voxtral 3 คือ SDK ที่สร้างบน LiveKit ซึ่งต่อการฟัง การคิด และการพูดเป็นสายการทำงานแบบสตรีมมิงเดียว

1. **ฟัง** โมเดลถอดเสียงแบบเรียลไทม์รับเสียงผู้โทรและจับจังหวะที่ผู้โทรพูดจบ
2. **คิดและลงมือ** โมเดลภาษาทั่วไป เช่น Mistral Small ตีความคำขอ แล้วเรียกเครื่องมือผ่าน function calling ค้นเว็บ หรือดึงข้อมูลจากระบบขององค์กร เช่น ยืนยันตัวตน ตรวจบิล หรือจองนัด
3. **พูด** Voxtral Speech 3 ตอบกลับด้วยน้ำเสียงที่เข้ากับบทสนทนาก่อนหน้า

Mistral บอกว่าแต่ละขั้นไม่ต้องรอขั้นก่อนหน้าเสร็จ แต่ละรอบการตอบจึงจบภายในไม่ถึงหนึ่งวินาที และเอเจนต์หยุดพูดเมื่อผู้โทรพูดแทรก ระบบรับและโทรออกผ่าน SIP ทำงานในเบราว์เซอร์และแอปผ่าน WebRTC และเชื่อมกับระบบโทรศัพท์ IVR และซอฟต์แวร์คอนแทกต์เซ็นเตอร์ที่องค์กรใช้อยู่ได้ เพราะแต่ละขั้นเป็นโมเดลแยกกัน องค์กรจึงเปลี่ยนโมเดลภาษา เสียง หรือภาษาได้โดยไม่ต้องเขียนเอเจนต์ใหม่

![แผนภาพของ Mistral แสดงสายการทำงานของ Voice Agent: ไมโครโฟนส่งเสียงให้โมเดลถอดเสียงและจับจังหวะพูดจบ ต่อไปยังโมเดลคิดคำตอบที่เรียกเครื่องมือได้ แล้วส่งให้โมเดลพูดตอบออกลำโพง](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/mistral-voxtral-3-voice-agent-sdk-thai/voxtral-3-voice-agent-pipeline.webp?v=562287b0) _(ภาพ: Mistral AI)_

## ภาษาไทยใน Voxtral 3

ประกาศของ Mistral ระบุว่าโมเดลถอดเสียงขยายภาษาเป็น 50 ภาษา รวมภาษาทางการของสหภาพยุโรป 24 ภาษา และภาษาเอเชียกับภาษาอินเดียที่มีข้อมูลฝึกน้อยอีกหลายภาษา ภาษาไทยอยู่ในชุดทดสอบ FLEURS 45 ภาษาที่ Mistral ใช้วัดผล ซึ่งบริษัทระบุว่าเป็นภาษาที่ทั้งเจ็ดโมเดลในกราฟรองรับ และภาษาไทยวัดด้วยอัตราตัวอักษรผิด (CER) แทนอัตราคำผิด เช่นเดียวกับภาษาญี่ปุ่น เกาหลี และจีน

แต่ภาษาไทยไม่อยู่ในรายการ 35 ภาษาที่ใช้วัดผลการถอดเสียงแบบเรียลไทม์ และไม่อยู่ในเสียงสำเร็จรูป (Voice Presets) 18 ภาษาของโมเดลสังเคราะห์เสียง ตัวเลขภาษาของโมเดลสังเคราะห์เสียงก็ยังไม่ตรงกันระหว่างสองหน้า ประกาศเขียนว่ารองรับมากกว่า 35 ภาษาและ 50 สำเนียง ขณะที่หน้าเอกสารของโมเดลเขียนว่ารองรับ 9 ภาษา องค์กรไทยที่จะทำเอเจนต์ตอบเป็นเสียงภาษาไทยจึงควรรอคำยืนยันจาก Mistral

![กราฟ FLEURS 45 ของ Mistral แสดงอัตราคำผิดเฉลี่ยเมื่อระบุภาษา Voxtral Small Transcribe 3 และ Microsoft AI Transcribe 2 ได้ 4.0% Voxtral Mini Transcribe 3 4.5% Gemini 3.5 Transcribe 4.5% GPT Transcribe 5.6% และ Whisper large-v3 14.9% พร้อมรายชื่อภาษาที่มีภาษาไทย (TH)](https://thaidata-co-th.s3.ap-southeast-1.amazonaws.com/thaidata.co.th/images/articles/mistral-voxtral-3-voice-agent-sdk-thai/voxtral-3-fleurs-benchmark.webp?v=db24064b) _(ภาพ: Mistral AI (ภาพหน้าจอ))_

## ผลทดสอบที่ Mistral รายงาน

ตัวเลขต่อไปนี้มาจากกราฟในประกาศ ทั้งหมดเป็นผลที่ Mistral ทดสอบเอง ค่าเฉลี่ยอัตราคำผิดบน FLEURS 45 ภาษาเมื่อระบุภาษาไว้ล่วงหน้า (ยิ่งต่ำยิ่งดี) เป็นดังนี้

- Voxtral Small Transcribe 3 ได้ 4.0% เท่ากับ Microsoft AI Transcribe 2
- Voxtral Mini Transcribe 3 และ Gemini 3.5 Transcribe ได้ 4.5%
- Scribe v2 ได้ 4.9% GPT Transcribe ได้ 5.6% และ Whisper large-v3 ได้ 14.9%

เมื่อให้โมเดลตรวจภาษาเอง Voxtral Small Transcribe 3 ได้ 4.1% ส่วน Gemini 3.5 Transcribe ขยับเป็น 6.1% หน้าเอกสารของ Mistral ระบุว่ารุ่น Small เหนือกว่า Microsoft AI Transcribe 2, Whisper large-v3, GPT-Transcribe, Scribe v2 และ Gemini 3.5 Transcribe แต่ในกราฟ FLEURS 45 ตัวเลขของ Microsoft AI Transcribe 2 เท่ากับ Voxtral 3 รุ่น Small ทั้งแบบระบุภาษาและแบบให้โมเดลตรวจภาษาเอง

## ทำไมเรื่องนี้สำคัญ

Voice Agent เป็นงาน AI ที่ต้องต่อหลายโมเดลเข้าด้วยกันและต้องเร็วพอให้คุยได้เหมือนคน การที่ Mistral ขายทั้งชุดในราคาต่อนาที และเปิดทางให้ติดตั้งในองค์กรเอง ทำให้ผู้ให้บริการคอนแทกต์เซ็นเตอร์มีตัวเลือกที่เก็บเสียงลูกค้าไว้ในยุโรปหรือในระบบของตัวเองได้ ต่อจากที่ Mistral เปิดทดลอง [Mistral Large 4 โมเดล open-weight 1 ล้านล้านพารามิเตอร์](/ai/mistral-large-4-open-weight-1-trillion-preview/) เมื่อต้นเดือน บริษัทยังเดินเกมเดิม คือขาย AI ที่ลูกค้าคุมข้อมูลได้เอง

## ผลต่อองค์กรไทย

- **ทดสอบภาษาไทยด้วยเสียงจริงขององค์กร** ใช้ไฟล์บันทึกการสนทนาที่ได้รับความยินยอมแล้ว ทั้งสำเนียงภูมิภาค คำทับศัพท์ และชื่อสินค้า เทียบ Voxtral 3 กับระบบที่ใช้อยู่ เพราะผลทดสอบในประกาศเป็นค่าเฉลี่ยหลายภาษาที่ผู้พัฒนาวัดเอง
- **แยกงานถอดเสียงออกจากงานตอบด้วยเสียง** งานถอดเสียงภาษาไทยแบบ batch เช่น สรุปการประชุมหรือตรวจคุณภาพการให้บริการ ทดลองได้ก่อน ส่วนเอเจนต์ที่ต้องพูดภาษาไทยแบบเรียลไทม์ยังต้องรอคำยืนยันเรื่องภาษา
- **เสียงคือข้อมูลส่วนบุคคล** การส่งเสียงลูกค้าไปประมวลผลบน API ในยุโรปหรือสหรัฐฯ เป็นการโอนข้อมูลไปต่างประเทศตาม PDPA ต้องแจ้งวัตถุประสงค์ ตั้งค่าไม่ให้เก็บเสียง และทำสัญญาประมวลผลข้อมูลให้ครบ
- **ระวังการโคลนเสียง** ฟีเจอร์ Pro Voice ใช้เสียงตัวอย่างเพียง 30 นาที ควรมีหนังสือยินยอมจากเจ้าของเสียงและนโยบายป้องกันการแอบอ้าง
- **ออกแบบให้สลับโมเดลได้** สถานะยังเป็น Public Preview ให้แยกขั้นฟัง คิด และพูดด้วยอินเทอร์เฟซกลาง จะได้เปลี่ยนผู้ให้บริการได้เมื่อราคาหรือคุณภาพภาษาไทยเปลี่ยน

ติดตามข่าว AI และการนำ AI ไปใช้ในองค์กรเพิ่มเติมได้ที่[หมวด AI](/ai/)

## คำถามที่พบบ่อย

### Voxtral 3 คืออะไร?

Voxtral 3 คือชุดโมเดลเสียงของ Mistral AI ที่เปิดตัวเมื่อ 20 ตุลาคม 2026 มีโมเดลถอดเสียง 3 รุ่น (Small, Mini และ Mini Realtime) โมเดลสังเคราะห์เสียง Voxtral Speech 3 และ SDK สำหรับสร้าง Voice Agent ที่ฟัง คิด เรียกเครื่องมือ และตอบเป็นเสียงได้แบบเรียลไทม์

### Voxtral 3 ถอดเสียงภาษาไทยได้ไหม?

ได้ในโมเดลถอดเสียงแบบ batch เพราะภาษาไทยอยู่ในชุดทดสอบ FLEURS 45 ภาษาที่ Mistral ระบุว่าทุกโมเดลที่เทียบรองรับ แต่ประกาศของ Voxtral 3 ไม่ได้ใส่ภาษาไทยในรายการทดสอบแบบเรียลไทม์ 35 ภาษา และไม่มีเสียงสำเร็จรูปภาษาไทย องค์กรจึงควรทดสอบกับเสียงจริงของตัวเองก่อน

### Voxtral 3 ราคาเท่าไร?

ราคาผ่าน Mistral API ของ Voxtral 3 คือ ถอดเสียงแบบ batch 0.0035 ดอลลาร์สหรัฐต่อนาทีสำหรับรุ่น Mini และ 0.004 ดอลลาร์สำหรับรุ่น Small แบบเรียลไทม์ 0.008 ดอลลาร์ต่อนาที สังเคราะห์เสียง 13 ดอลลาร์ต่อล้านตัวอักษร และ Voice Agent API 0.04 ดอลลาร์ต่อนาทีเมื่อใช้ Mistral Small 4 หรือ 0.08 ดอลลาร์กับโมเดลอื่น

### ติดตั้ง Voxtral 3 บนเซิร์ฟเวอร์ขององค์กรเองได้ไหม?

Mistral ระบุว่า Voxtral 3 ใช้ได้ทั้งผ่าน API ที่โฮสต์ในยุโรปและติดตั้งบนโครงสร้างพื้นฐานขององค์กรเอง เพื่อควบคุมว่าเสียงถูกประมวลผลที่ไหนและเก็บไว้หรือไม่ แต่การรันทั้งชุดแบบ on-premises หรือ private cloud ต้องติดต่อทีมของ Mistral


## แหล่งอ้างอิง

- [Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages](https://mistral.ai/news/voxtral-3) — Mistral AI
- [Voxtral Small Transcribe 3 - Mistral Docs](https://docs.mistral.ai/models/voxtral-small-transcribe-3-0) — Mistral AI
- [Voxtral TTS 3 - Mistral Docs](https://docs.mistral.ai/models/voxtral-mini-tts-3-0) — Mistral AI
- [Voxtral Mini Transcribe Realtime 3 - Mistral Docs](https://docs.mistral.ai/models/voxtral-mini-transcribe-realtime-3-0) — Mistral AI