Mistral、音声認識「Voxtral Transcribe 2」公開：リアルタイムモデルをApache 2.0でオープン化

Voxtral Realtimeは、Mistral AIがオープンソースとして公開した4Bパラメータの端末向け音声認識モデルです。超低遅延のリアルタイムストリーミング処理に特化して設計されています。

モデルの重みはApache 2.0ライセンスで完全に公開されており、エッジデバイス上でローカルに動作させることができます。プライバシーを重視して音声データを外部サーバへ送信したくない場合や、自前の音声エージェント、ライブ字幕システムを作りたい開発者に適したツールです。

音声をそのまま流し込む設計で200ミリ秒未満を実現

従来のオフライン音声モデルをリアルタイム処理に流用する場合、音声を数秒ごとの短い塊に分割して認識させる手法が一般的でした。これに対し、Voxtral Realtimeは音声の到着に合わせて逐次認識を行うネイティブなストリーミング構造を採用しています。

遅延時間は調整可能で、最小で200ミリ秒未満まで縮めることができます。480ミリ秒の遅延設定では、FLEURSベンチマークにおける単語誤り率の悪化がオフラインモデル比でわずか1〜2％にとどまります。字幕用途向けに2.4秒まで遅延を許容すれば、同世代のバッチ処理モデルと同等の精度に達します。

対応言語は日本語、英語、中国語、ドイツ語、韓国語、スペイン語など計13言語です。4Bという手頃なパラメータサイズにより、エッジ環境でも十分実用的な速度で動作します。

バッチ版は1分あたり0.003ドルの低価格

今回Mistralは、オープンソースのRealtimeと同時に、長尺ファイルの一括処理に特化したAPI専用モデル「Voxtral Mini Transcribe V2」もリリースしました。利用料金は1分あたり0.003ドルに抑えられています。なおThe Decoderの報道によると、RealtimeモデルをAPI経由で使う場合はその2倍の料金設定となります。

Mini V2の単語誤り率はFLEURS上で約4％とされ、MistralによればGPT-4o mini TranscribeやGemini 2.5 Flash、Deepgram Novaを上回る精度を記録しています。ElevenLabsのScribe v2と比較しても、約5分の1のコストで同等の品質を維持しつつ、処理速度は約3倍に達します。

機能面では、最長3時間の音声ファイルを一度に処理可能で、単語単位のタイムスタンプや話者分離に対応しています。ただし会話の重複がある場面では、通常片方の話者のみが書き起こされます。また、専門用語や固有名詞を最大100語まで事前指定して認識率を上げるコンテキストバイアス機能も備えています（英語向けに最適化されており他言語は実験的提供）。

Voxtral Realtimeの重みはHugging Face Hubからダウンロードして利用可能です。またMistral Studio上にはオーディオPlaygroundが開設されており、最大1GBまでのファイルをアップロードして手軽に性能を試すことができます。

なぜ重要か

音声対話エージェントやローカル完結型の文字起こしアプリを開発しているエンジニアなら、すぐに試す価値があります。これまでオープンソースの音声認識といえばWhisperが定番でしたが、バッチ処理向けの設計だったため、リアルタイム対話で自然なレスポンスを返すには遅延の壁がありました。200ミリ秒未満のネイティブストリーミングを商用利用可能なApache 2.0で提供した意義は大きいです。

さらにバッチ版のAPIを1分0.003ドルという破格で投入したことで、既存の文字起こしサービス全体に強い値下げ圧力がかかるはずです。ローカルでセキュアに動かしたい場合にも、クラウドで安価に大量処理したい場合にも、極めて有力な選択肢が登場しました。