Fransız yapay zekâ şirketi Mistral AI, gerçek zamanlı sesli ajanlar için geliştirdiği yeni model ailesi Voxtral 3’ü 20 Ekim 2026’da kullanıma sundu. Paket; konuşmayı yazıya döken modelleri, metni doğal ve duygulu sese çeviren bir ses üretim modelini ve bunları tek bir canlı akışta birleştiren bir sesli ajan yazılım geliştirme kitini (SDK) içeriyor.
Mistral’e göre güvenilir bir sesli ajanın dört şeyi aynı anda iyi yapması gerekiyor: farklı dil, aksan ve konuşmacıları doğru dinlemek, kullanıcının ne demek istediğini bağlamıyla anlamak, duygulu ve doğal konuşmak ve bağlı sistemlerde çok adımlı işlemler yapmak. Voxtral 3, bu dört yeteneği tek bir gerçek zamanlı hatta toplamayı hedefliyor.
Transkripsiyon: 50’den fazla dil, Türkçe de listede
Konuşmayı yazıya dökme tarafında en güçlü model Voxtral Small Transcribe 3. Desteklenen dil sayısı 50’ye çıkarıldı; listede Avrupa Birliği’nin 24 resmî dilinin yanı sıra çok sayıda Asya ve Hint dili bulunuyor. Mistral’in kıyaslamalarında kullandığı dil listesinde Türkçe de yer alıyor. Model, kimin ne söylediğini ayırt edebiliyor (konuşmacı ayrımı) ve kullanıcıların verdiği anahtar terimlerle özel isim ve teknik kelimeleri daha doğru yazabiliyor. Bu sayede belirli bir sektörün terminolojisi için modeli yeniden eğitmeye gerek kalmadan kullanılabiliyor.
Mistral, Small modelinin konuşmacı ayrımı ve çok dilli transkripsiyonda Whisper, Scribe v2 ve Gemini 3.5 Transcribe’dan daha iyi sonuç verdiğini öne sürüyor. 4 milyar parametreli Mini sürümü ise toplu işlerde dakikası 0,0035 dolardan hizmet veriyor. Canlı kullanım için geliştirilen Voxtral Mini Transcribe Realtime 3, 35’ten fazla dilde 500 milisaniyenin altında gecikmeyle çalışıyor ve kullanıcının konuşmasını ne zaman bitirdiğini hem ses hem anlam ipuçlarıyla tahmin ediyor.
Ses üretimi: duyguya göre ayarlanan sesler
Metni sese çeviren Voxtral Speech 3 (Mini TTS 3), 35’ten fazla dil ve 50’den fazla lehçeyi destekliyor. Şirketin çok dilli ses kütüphanesinde Türkçe de bulunuyor. Model, konuşmanın bağlamına bakarak duyguyu, hızı ve vurguyu kendiliğinden ayarlıyor; istenirse bu özellikler etiketlerle ayrıca yönlendirilebiliyor. Yeni sürümde e-posta adresleri, tarihler, saatler ve fiyatlar gibi müşteri hizmetlerinde sık hata yapılan ifadelerin seslendirilmesi iyileştirildi; nadir ya da uydurma kelimelerin telaffuzu için fonetik ipuçları verilebiliyor.
Profesyonel kullanım için sunulan Pro Voice özelliği ise yaklaşık 30 dakikalık ses kaydıyla bir konuşmacının karakteristik sesini, duygu aralığını ve konuşma tarzını farklı dillerde yeniden üretebiliyor. Mistral, milyon karakter başına 13 dolarlık fiyatıyla modelin OpenAI, Deepgram, ElevenLabs ve Google’ın benzer modellerinden daha ucuz olduğunu söylüyor.
Sesli ajan SDK’sı: bir saniyenin altında yanıt
Paketin üçüncü ayağı, açık kaynak LiveKit altyapısı üzerine kurulu sesli ajan SDK’sı. Bu yapıda gerçek zamanlı transkripsiyon modeli dinliyor, Mistral Small gibi genel bir dil modeli düşünüp araç çağırıyor ve Voxtral Speech 3 konuşmanın tonuna uygun biçimde yanıt veriyor. Aşamalar birbirini beklemediği için her konuşma turunun bir saniyenin altında tamamlandığı, kullanıcı sözü kestiğinde ajanın konuşmayı bıraktığı belirtiliyor.
Ajanlar görüşme sırasında arayanın kimliğini doğrulayabiliyor, fatura kontrol edebiliyor ya da randevu alabiliyor. Bunun için fonksiyon çağırma, web araması ve kurumun kendi verileri üzerinde arama kullanılabiliyor. Sistem SIP üzerinden telefon görüşmesi yapıp yanıtlayabiliyor, WebRTC ile tarayıcı ve uygulamalarda çalışıyor, mevcut çağrı merkezi yazılımlarına bağlanabiliyor. Her aşama ayrı bir model olduğu için dil modeli, ses ya da dil, ajanın tamamını yeniden yazmadan değiştirilebiliyor.
Fiyatlar ve veri egemenliği
Voxtral 3, Mistral API üzerinden Avrupa, ABD ve küresel uç noktalarda kullanılabiliyor; kurumlar paketi kendi altyapılarında da çalıştırabiliyor. Mistral, böylece seslerin nerede işleneceğinin ve kayıtların saklanıp saklanmayacağının kurumun kontrolünde kalacağını vurguluyor. Açıklanan fiyatlar şöyle:
- Voxtral Mini Transcribe 3 (toplu): dakikası 0,0035 dolar
- Voxtral Small Transcribe 3: dakikası 0,004 dolar
- Voxtral Mini Transcribe Realtime 3: dakikası 0,008 dolar
- Voxtral Speech 3: 1 milyon karakter başına 13 dolar
- Mistral Small 4 ile sesli ajan API’si: dakikası 0,04 dolar; başka bir dil modeliyle dakikası 0,08 dolar
Türkiye için ne anlama geliyor?
Sesli ajanlar, çağrı merkezlerinden randevu sistemlerine, e-ticaret destek hatlarından kamu hizmetlerine kadar Türkiye’de de hızla yaygınlaşan bir alan. Türkçenin hem transkripsiyon hem de ses üretimi tarafında desteklenmesi, yerli şirketlerin bu tür ajanları daha düşük maliyetle denemesinin önünü açıyor. Avrupa’da barındırılan API ve kurum içi kurulum seçeneği de kişisel verilerin korunmasına ilişkin KVKK yükümlülüklerini gözeten kurumlar için önemli bir avantaj olabilir.
Bununla birlikte Mistral’in performans iddiaları şirketin kendi testlerine dayanıyor ve önceden hazırlanmış ses profillerinin sunulduğu 18 dil arasında Türkçe bulunmuyor. Türkçe kullanımda ses kalitesinin ve konuşmacı ayrımının gerçek dünyadaki başarısı, bağımsız testlerle netleşecek. Aynı gün ElevenLabs’in de gerçek zamanlı konuşmaya yönelik yeni ses modellerini duyurması, sesli yapay zekâ ajanları alanındaki rekabetin hızla kızıştığını gösteriyor.
Kaynak: Mistral AI, The Decoder
