Mistral AI、音声モデル「Voxtral 3」とボイスエージェントSDKを発表

Mistral AIは、音声認識(STT)・音声合成(TTS)モデルの新たな一群とボイスエージェントSDKを組み合わせた「Voxtral 3」を発表した。

Mistralによると、今回のリリースは、聞き取り、推論、発話、そして連携システムを通じたリアルタイムな多段階アクションの実行までを行えるボイスエージェントの構築を目的としている。同社は、既存の音声ツールは進化してきたものの、正確な聞き取り、文脈に基づく推論、自然な発話、ツール呼び出しを一つの信頼性あるリアルタイムシステムに統合することは依然として難しい課題だったとしている。

リリースの内容

Mistralによれば、Voxtral 3には2つの中核モデルとSDKが含まれる。

• Voxtral Small Transcribe 3 — 同社が多言語での文字起こしにおいて最先端だとする音声認識モデルで、ダイアライゼーション(誰が発言したかの識別)、コンテキストバイアシング(指定したキーフレーズを用いた精度向上)、発話終了検出に対応する。
• Voxtral Mini TTS 3 — 会話の文脈に応じて感情、速度、強調を調整した音声を生成するとする音声合成モデルで、35以上の言語、50以上の方言に対応する。
• ボイスエージェントSDK — 聞き取り、推論、ツール呼び出し、発話を単一のリアルタイムストリーミングパイプラインに統合するとされ、これによりエージェントは実際の電話やウェブ上の会話中に情報を取得し、タスクを完了できるという。

同社はまた、業務用途向けの「Pro Voice」適応機能についても説明しており、約30分の音声データを用いて、話者固有の個性、感情表現の幅、話し方の特徴を複数言語にわたって再現できるとしている。

対応言語と性能に関する主張

Mistralによると、文字起こしモデルはEUの公式24言語を含む50言語に対応しており、リソースの少ないアジア系・インド系言語の一部も含まれる。同社は、Smallバージョンが英語、フランス語、スペイン語を含むダイアライゼーションおよび多言語文字起こしにおいて最先端の結果を達成しており、これらの指標でWhisper、Scribe v2、Gemini 3.5 Transcribeを上回るとしている。また、パラメータ数40億のMiniバリアントは1分あたり0.0035ドルの価格設定になっているという。

同社はさらに、35以上の言語で500ミリ秒未満の低遅延文字起こしを実現し、ダイアライゼーションとコンテキストバイアシングにも対応するとする別モデル「Voxtral Realtime Transcribe 3」についても説明している。

音声生成に関しては、Mistralは「Voxtral Mini TTS 3.0」の価格を100万文字あたり13ドルと設定しており、OpenAIのTTS-1、Deepgram、ElevenLabs Flash、Gemini Flashといった競合サービスより安価だとしている。同社によると、このモデルはテキストの文脈が持つ意味をネイティブに解釈して音声を生成し、新機能として30分以上のサンプル音声からの音声クローン、感情・ペース・強調に関するカスタムプロンプト指示への対応、語彙ライブラリなどが追加されたという。

デプロイとデータ処理

Mistralによると、Voxtral 3は同社の他モデルと同様、自国内でのデプロイを想定して設計されている。MistralのEUホスト型API経由、または組織自身のインフラ上でのセルフデプロイのいずれでも利用可能であり、同社はこれにより、音声データがどこで処理され、データがどのように扱われ、会話を保持するかどうかを組織側が管理できるとしている。

Mistral AI、「Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages」、2026年10月20日公開。