MistralがVoxtral 3を発表：50言語対応の音声モデル群と音声エージェントSDKを提供

自動音声ガイダンスに話しかけて、途中で遮られたり名前を聞き間違えられたりして苛立った経験は誰にでもあるはずです。音声AIにおいて、聞き取り、推論、外部ツール呼び出し、発話のスムーズな連携は長年の難所でした。

Mistralは10月20日、50以上の言語に対応する音声モデル群と音声エージェントSDK「Voxtral 3」を発表しました。音声認識から思考、ツールの実行、発話までを一連のストリーミングパイプラインにまとめ、1往復1秒未満の応答性を実現しています。

文脈を読む文字起こしと感情豊かな発話

文字起こしを担当するVoxtral Small Transcribe 3は、EU公式24言語を含む50以上の言語に対応します。話者分離機能（誰がいつ話したかの識別）を備え、WhisperやScribe v2、Gemini 3.5 Transcribeを上回る精度を記録したとしています。事前学習なしで専門用語の認識率を上げるコンテキストバイアスにも対応し、40億パラメータのMini版は1分あたり0.0035ドルで利用可能です。また、リアルタイム版は35以上の言語で500ミリ秒未満の低遅延を達成しています。

発話終了の判定には音響情報だけでなく意味情報も活用されており、ユーザーが息継ぎをしただけなのか話し終えたのかを的確に見分けます。

音声合成のVoxtral Mini TTS 3は、35以上の言語と50以上の方言をサポートし、100万文字あたり13ドルに設定されました。テキスト文脈から感情や抑揚、話速を自動で判断して発声します。さらに、30分の音声サンプルから話し手の特徴や感情表現を別言語へも再現するPro Voiceクローニング機能も備えています。

なぜ重要か

コールセンターや車載アシスタントを開発する企業にとって、音声エージェントの構築コストと複雑さを一気に引き下げる選択肢になります。従来のように文字起こし、LLM、音声合成で別々のベンダーを組み合わせる必要がなく、SDKひとつでツール呼び出しまで完結できるためです。

最大の強みはデータ主権にあります。医療や金融などの機密データを扱う現場では、通話音声を海外サーバーに送ることが規制上許されないケースが少なくありません。Voxtral 3はEU圏内ホストのAPIだけでなく、自社インフラへのオンプレミス配備にも対応しており、録音データの保持可否もユーザー側で完全に管理できます。

派手な汎用ベンチマーク争いから一歩引き、話者の交代検知や固有名詞の認識といった現場の泥臭い課題に正面から向き合った点は非常に賢いアプローチだと私たちは考えます。実際の電話回線などのノイズ環境下でどれだけ安定して1秒未満の応答を維持できるかが今後の評価の分かれ目になりそうです。