ข้ามไปยังเนื้อหา
THAI DATA IT BUSINESS
ENTERPRISE
AI

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

โดย กองบรรณาธิการ THAI DATA อ่าน 6 นาที

แชร์FacebookXLINELinkedIn
หน้าประกาศ Voxtral 3 บนเว็บไซต์ Mistral AI พร้อมปุ่ม Take the call สำหรับทดลองคุยกับ Voice Agent
ภาพ: Mistral AI (ภาพหน้าจอ)

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 และภาษาไทยอยู่ในชุดทดสอบ FLEURS 45 ภาษาที่ 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 ผ่าน Mistral API ถอดเสียง 0.0035–0.008 ดอลลาร์ต่อนาที สังเคราะห์เสียง 13 ดอลลาร์ต่อล้านตัวอักษร Voice Agent API 0.04–0.08 ดอลลาร์ต่อนาที
ตารางราคา Voxtral 3 ในประกาศของ Mistral: ถอดเสียง 0.0035–0.008 ดอลลาร์ต่อนาที สังเคราะห์เสียง 13 ดอลลาร์ต่อล้านตัวอักษร และ Voice Agent API 0.04–0.08 ดอลลาร์ต่อนาที 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

แผนภาพสายการทำงาน Voice Agent ของ Voxtral 3 จากไมโครโฟน ผ่านการถอดเสียง โมเดลคิดคำตอบที่เรียกเครื่องมือ ไปจนถึงเสียงตอบกลับ
แผนภาพของ Mistral แสดงสายการทำงานของ Voice Agent: ไมโครโฟนส่งเสียงให้โมเดลถอดเสียงและจับจังหวะพูดจบ ต่อไปยังโมเดลคิดคำตอบที่เรียกเครื่องมือได้ แล้วส่งให้โมเดลพูดตอบออกลำโพง 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

กราฟอัตราคำผิด FLEURS 45 ภาษาของ Voxtral 3 เทียบ Microsoft AI Transcribe 2, Gemini 3.5 Transcribe, Scribe v2, GPT Transcribe และ Whisper large-v3 พร้อมรายชื่อภาษาที่มีภาษาไทย
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) 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 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 ไปใช้ในองค์กรเพิ่มเติมได้ที่หมวด 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

  1. Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages — Mistral AI
  2. Voxtral Small Transcribe 3 - Mistral Docs — Mistral AI
  3. Voxtral TTS 3 - Mistral Docs — Mistral AI
  4. Voxtral Mini Transcribe Realtime 3 - Mistral Docs — Mistral AI

บุคคล องค์กร และสถานที่ในข่าวนี้

เลือกชื่อเพื่ออ่านข่าวทั้งหมดที่กล่าวถึง ตัวเลขคือจำนวนข่าว

องค์กรและบริษัท
Mistral6Microsoft81OpenAI36สหภาพยุโรป51
ประเทศและสถานที่
ยุโรป172สหรัฐอเมริกา324อินเดีย58ญี่ปุ่น124จีน181
ผลิตภัณฑ์และเทคโนโลยี
Gemini24
กฎหมายและมาตรฐาน
PDPA110
แท็กVoxtral 3Voice AgentSpeech-to-TextSovereign AI
แชร์FacebookXLINELinkedIn

พบข้อมูลคลาดเคลื่อน? แจ้งกองบรรณาธิการ