Mistral、音声モデル群Voxtral 3と音声エージェントSDKを公開

Mistralは、50以上の言語の音声認識に対応する音声モデル群「Voxtral 3」と、音声認識・推論・ツール呼び出し・音声合成を1本のリアルタイムストリーミングパイプラインにまとめる音声エージェントSDKを発表しました。MistralはAIモデルから開発者向けツール、計算基盤までを提供し、モデルの公開と利用者による制御を重視する企業です。

何が新しいか

Voxtral 3は、文字起こし、話者識別(diarization)、キーフレーズによる認識補正(context biasing)、発話終了検出、感情・速度・強調を調整する音声合成、ツール連携を一つの音声エージェント体験にまとめた製品群です。Mistralはコンタクトセンター、サービスデスク、仮想アシスタント、ハンズフリーコパイロット向けと位置づけています。エージェントは電話やウェブ上の会話中に、情報取得、業務システム操作、複数ステップのタスク実行を行えます。

Mistralは、Voxtral Small Transcribe 3が多言語文字起こしと話者識別でWhisper、Scribe v2、Gemini 3.5 Transcribeを上回ると説明しています。対応言語は24のEU公用語と、低リソースのアジア・インド系言語を含みます。

モデルと数値

モデル	項目	値
Voxtral Transcribe 3	対応言語	50以上
Voxtral Mini Transcribe 3	パラメータ数	4B
Voxtral Mini Transcribe 3	価格	$0.0035/分
Voxtral Realtime Transcribe 3	レイテンシー	500ms未満
Voxtral Realtime Transcribe 3	対応言語	35以上
Voxtral Mini TTS 3.0	対応言語/方言	35以上/50以上
Voxtral Speech 3	価格	$13/100万文字
Pro Voice	必要な音声	30分

リアルタイム版も話者識別とcontext biasingに対応します。発話終了予測は音響情報と意味情報の両方を使い、ユーザーの発話途中での誤った打ち切りを抑えます。

TTSのVoxtral Mini TTS 3.0はバッチとリアルタイムの両方で提供され、プロンプト指示でemotion、pacing、emphasisを指定できます。音素ヒントによる発音制御、語彙ライブラリ、文脈に基づくTTSも備えます。MistralはVoxtral Speech 3の価格がOpenAI TTS-1、Deepgram、ElevenLabs Flash、Gemini Flashの同等モデルより低いとしています。Pro Voiceは30分の音声から話者の特徴、感情の幅、話し方を言語をまたいで再現します。

提供形態と使い方

• MistralのEUホストAPIを使うか、自社インフラにVoxtral 3をセルフデプロイします。
• 組織は音声の処理場所、データの扱い、会話を保持するかどうかを管理できます。
• Transcribe 3はキーフレーズや自由形式テキストを与えるcontext biasingにより、ファインチューニングなしで専門用語の再現率を上げられます。
• 音声エージェントSDKで、認識・推論・ツール呼び出し・合成をストリーミングで統合します。