پیرس، 21 اکتوبر 2026 (ویب ڈیسک): فرانسیسی اے آئی کمپنی مسٹرال نے Voxtral 3 متعارف کرا دیا ہے۔ یہ ایسے وائس ایجنٹوں کے لیے بنایا گیا نظام ہے جو صارف کی بات سنتا ہے، سوچتا ہے اور فوری طور پر جواب بھی دیتا ہے۔
Voxtral 3 صرف ایک ماڈل نہیں ہے۔ یہ تین حصوں پر مشتمل مکمل پیکج ہے: آواز کو متن میں بدلنے والا ماڈل، متن کو آواز میں بدلنے والا ماڈل، اور ڈویلپرز کے لیے ایک وائس ایجنٹ SDK۔ کمپنی کا دعویٰ ہے کہ یہ تینوں حصے ایک ہی اسٹریمنگ پائپ لائن میں جڑ کر کام کرتے ہیں۔ اس کا مطلب یہ ہے کہ ایجنٹ فون کال کے دوران بھی معلومات تلاش کر سکتا ہے اور مختلف مراحل پر مشتمل کام انجام دے سکتا ہے۔
آواز سے متن: 50 سے زائد زبانوں میں سنی گئی بات
اس پیکج کا پہلا حصہ آواز کو متن میں بدلنے والے تین ماڈل ہیں۔ Voxtral Small Transcribe 3 پچاس سے زائد زبانوں کی سپورٹ رکھتا ہے۔ ان میں یورپ کی 24 سرکاری زبانیں بھی شامل ہیں۔ مسٹرال کے مطابق یہ ماڈل یہ بھی پہچان لیتا ہے کہ کون بول رہا ہے۔
کمپنی نے اس ماڈل کی درستگی کا ایک بڑا دعویٰ کیا ہے۔ مسٹرال کا کہنا ہے کہ 45 زبانوں والے بین الاقوامی بینچ مارک FLEURS پر Voxtral Small Transcribe 3 کی الفاظ کی غلطی کی شرح 4.1 فیصد رہی۔ کمپنی کے اعداد و شمار کے مطابق اوپن اے آئی کے مشہور ماڈل Whisper large-v3 کی غلطی کی شرح 16.0 فیصد تھی۔ کمپنی کا یہ بھی کہنا ہے کہ اس کا ماڈل Gemini 3.5 Transcribe، Scribe v2 اور GPT Transcribe سے بھی بہتر ثابت ہوا۔
یہ دعوے مسٹرال کے اپنے لانچ اعلان میں سامنے آئے ہیں۔ ان کی آزادانہ تصدیق ابھی ہونا باقی ہے۔
قیمتوں کی بات کریں تو چھوٹے ماڈل Voxtral Mini Transcribe 3 کی آواز سے متن کی سہولت کی قیمت فی منٹ 0.0035 ڈالر سے شروع ہوتی ہے۔ یہ ماڈل چار ارب پیرامیٹرز پر مشتمل ہے۔ درمیانے ماڈل کی قیمت فی منٹ 0.0040 ڈالر ہے۔ ایجنٹوں کے لیے بنائے گئے ریئل ٹائم ماڈل کی قیمت فی منٹ 0.008 ڈالر ہے۔ مسٹرال کا کہنا ہے کہ یہ ماڈل آدھے سیکنڈ سے بھی کم تاخیر میں لکھائی فراہم کرتا ہے۔
متن سے آواز: جذبات کے ساتھ بولنے والا ماڈل
دوسرا حصہ Voxtral Speech 3 ہے۔ یہ متن کو قدرتی آواز میں بدلتا ہے۔ یہ پینتیس سے زائد زبانوں اور پچاس سے زائد لہجوں میں بول سکتا ہے۔ کمپنی کا دعویٰ ہے کہ یہ ماڈل بات چیت کے ماحول کے مطابق لہجے میں جذبات، رفتار اور زور کو ڈھال لیتا ہے۔
اس کی قیمت فی دس لاکھ حروف 13 ڈالر رکھی گئی ہے۔ مسٹرال کا کہنا ہے کہ یہ شرح اوپن اے آئی کے TTS-1، Deepgram، ElevenLabs Flash اور Gemini Flash جیسے حریف نظاموں سے کم ہے۔
اس میں Pro Voice نامی ایک خاص سہولت بھی شامل ہے۔ یہ صرف تیس منٹ کی آڈیو سے کسی بھی آواز کی نقل بنا سکتا ہے۔ اس کے بعد وہ آواز مختلف زبانوں میں بھی استعمال کی جا سکتی ہے۔
وائس ایجنٹ SDK: کال کے دوران کام کرنے والے ایجنٹ
تیسرا اور سب سے اہم حصہ وائس ایجنٹ SDK ہے۔ یہ LiveKit نامی ٹیکنالوجی پر بنا ہے۔ اس کا کام تینوں چیزوں کو جوڑنا ہے: سننا، سوچنا اور بولنا۔
کمپنی کے مطابق:
یہ SDK سننے، سوچنے، ٹول استعمال کرنے اور بولنے کو ایک ہی ریئل ٹائم تجربے میں جوڑ دیتا ہے۔
اس کے عملی استعمال کی مثالیں بھی دی گئی ہیں۔ ایسے ایجنٹ کسٹمر سروس ڈیسک یا ورچوئل اسسٹنٹ کے طور پر کام کر سکتے ہیں۔ کال کے دوران ایجنٹ اپائنٹمنٹ بک کر سکتا ہے یا انوائس کی معلومات نکال سکتا ہے۔ کمپنی کا کہنا ہے کہ بات چیت کا ہر جواب ایک سیکنڈ سے بھی کم وقت میں مکمل ہوتا ہے۔ ایک اور اہم بات یہ ہے کہ اگر بولنے والا بیچ میں بول پڑے تو ایجنٹ فوراً رک جاتا ہے۔
فون کالز کے لیے SDK میں SIP کی سپورٹ رکھی گئی ہے۔ ویب اور موبائل ایپ کے ذریعے بات چیت کے لیے WebRTC استعمال ہوگا۔
وائس ایجنٹ سروس کی قیمت دو درجوں میں رکھی گئی ہے۔ اگر استدلال مسٹرال کے Small 4 ماڈل سے لیا جائے تو قیمت فی منٹ 0.04 ڈالر ہے۔ کسی دوسرے استدلالی ماڈل کے ساتھ یہ شرح فی منٹ 0.08 ڈالر ہو جاتی ہے۔
ڈیٹا کس کے ہاتھ میں رہے گا؟
مسٹرال نے اس لانچ میں ڈیٹا کے کنٹرول پر خاص زور دیا ہے۔ کمپنیاں یہ نظام یورپ میں قائم مسٹرال کے سرورز کے ذریعے استعمال کر سکتی ہیں۔ اس کے علاوہ وہ اسے اپنے ذاتی سرورز یا پرائیویٹ کلاؤڈ پر بھی چلا سکتی ہیں۔ کمپنی کا کہنا ہے کہ صارف خود فیصلہ کرے گا کہ بات چیت کہاں پروسیس ہوگی اور آڈیو محفوظ رہے گی یا نہیں۔
یورپی کمپنیوں کے لیے یہ نکتہ اہم ہے۔ یورپ میں ڈیٹا کے تحفظ کے سخت قوانین ہیں۔ اسی لیے مسٹرال خود کو اوپن اے آئی اور گوگل کے امریکی حریفوں سے مختلف پیش کر رہا ہے۔
پس منظر: مسٹرال کی وائس حکمت عملی
یہ مسٹرال کا وائس ٹیکنالوجی میں پہلا قدم نہیں ہے۔ کمپنی نے جولائی 2025 میں اپنے پہلے Voxtral ماڈل متعارف کرائے تھے۔ یہ ماڈل صرف آواز کو سمجھنے کے لیے تھے۔ مارچ 2026 میں متن کو آواز میں بدلنے والا ماڈل آیا۔ اب Voxtral 3 ان سب کو ایک مکمل ایجنٹ نظام میں جوڑ دیتا ہے۔
دلچسپ بات یہ ہے کہ یہ لانچ مسٹرال کے ایک اور نئے ماڈل کے صرف ایک دن بعد آیا ہے۔ کمپنی نے ایک روز پہلے ٹائم سیریز ڈیٹا کے لیے Timestral نامی ماڈل بھی پیش کیا تھا۔ اس سے ظاہر ہوتا ہے کہ فرانسیسی لیب اس وقت تیزی سے نئی مصنوعات لا رہی ہے۔
پاکستان کے لیے اس کا کیا مطلب ہے؟
پاکستان میں کال سینٹرز اور کسٹمر سروس کا شعبہ ہزاروں نوجوانوں کو روزگار دیتا ہے۔ ایسے وائس ایجنٹ جو اردو سمیت کئی زبانوں میں بات کر سکیں، اس شعبے کا نقشہ بدل سکتے ہیں۔ مسٹرال نے 50 سے زائد زبانوں کی سپورٹ کا دعویٰ کیا ہے جن میں ایشیا کی کم وسائل والی زبانیں بھی شامل ہیں۔ اگر اردو بھی ان زبانوں میں شامل ہے تو پاکستانی کاروبار اس ٹیکنالوجی کو اپنی کسٹمر سروس میں استعمال کر سکیں گے۔
تاہم اس میں ایک انتباہ بھی ہے۔ تیس منٹ کی آڈیو سے آواز کی نقل بنانے والی Pro Voice جیسی سہولت غلط ہاتھوں میں دھوکہ دہی کا ذریعہ بھی بن سکتی ہے۔ پاکستان میں پہلے ہی جعلی کالز اور آواز کی جعلسازی کے واقعات سامنے آتے رہے ہیں۔ ایسی ٹیکنالوجی کے پھیلاؤ کے ساتھ اس کے غلط استعمال سے بچاؤ کے طریقے بھی اتنے ہی اہم ہو جائیں گے۔
مقابلے کی دوڑ تیز
وائس ایجنٹوں کا میدان اس وقت اے آئی کی سب سے گرم دوڑ بن چکا ہے۔ اوپن اے آئی، گوگل اور الیون لیبز پہلے ہی اس شعبے میں سرگرم ہیں۔ مسٹرال کی حکمت عملی تین ستونوں پر کھڑی ہے: کم قیمت، زیادہ زبانیں اور ڈیٹا پر صارف کا کنٹرول۔
کمپنی کا یہ بھی دعویٰ ہے کہ اس کے ماڈل حریفوں سے سستے ہیں اور درستگی میں بھی آگے ہیں۔ ان دعوؤں کی آزاد جانچ ابھی باقی ہے۔ لیکن اتنا واضح ہے کہ یورپ کی یہ لیب اب صرف چیٹ بوٹ تک محدود نہیں رہی۔ وہ وائس ٹیکنالوجی میں بھی بڑا دعویدار بننے کی کوشش کر رہی ہے۔
آنے والے مہینوں میں یہ دیکھنا دلچسپ ہوگا کہ ڈویلپرز اس SDK کو کس طرح استعمال کرتے ہیں۔ اگر وائس ایجنٹ واقعی کال کے دوران اپائنٹمنٹ بک کرنے اور انوائس نکالنے جیسے کام کرنے لگے تو کسٹمر سروس کی صنعت میں بڑی تبدیلی آ سکتی ہے۔
