Mistral、音声認識・理解モデル「Voxtral」をApache 2.0でオープンソース公開

Voxtralは、Mistral AIがApache 2.0ライセンスでオープンソース公開した最新の音声理解モデルファミリーだ。24Bと3Bの2つのサイズが用意されており、単なる音声のテキスト化にとどまらず、音声の意味をそのまま理解して質問に答えたり、声だけでシステムの関数を直接実行したりできる。

何ができるのか

これまでの音声AIアプリは、まずWhisperなどのASRで文字起こしを行い、そのテキストを大規模言語モデルに渡すという2段階の構成が一般的だった。この構成はレイテンシが伸びやすく、音声特有のニュアンスも失われがちだったが、Voxtralはその2つの工程を1つのモデルに統合している。

コンテキスト長は32kトークンで、文字起こしなら最大30分、音声理解なら最大40分の長尺音声に対応する。長時間の会議音声を読み込ませて要約を作らせたり、特定の発言内容について直接質問したりできる。

実用面で大きな強みとなるのが、音声からの直接関数呼び出しだ。ユーザーが声で指示を出すと、テキストへの変換処理を挟むことなく、バックエンドのAPIやワークフローを直接起動できる。

英語、フランス語、スペイン語、ドイツ語、イタリア語、ポルトガル語、オランダ語、ヒンディー語などの多言語に対応し、言語の自動判別も備える。ベースモデルにMistral Small 3.1を採用しているため、通常のテキストタスクでもそのまま代替として動作する。

モデルの仕様と動作環境

モデルは2種類用意されている。24BパラメータのVoxtral Smallは本番環境のサーバー向け、3BパラメータのVoxtral Miniはローカル環境やエッジ端末での実行に適したサイズ感だ。

認識精度において、Voxtralは既存の主要オープンソースモデルであるWhisper large-v3を全面的に上回り、GPT-4o mini TranscribeやGemini 2.5 Flashに対しても優位を示している。上位版のVoxtral SmallはElevenLabs Scribeと同等水準の精度を半額以下のAPIコストで実現しているという。

商用利用可能なApache 2.0ライセンスのもと、24Bと3Bの両モデルがHugging Faceでダウンロードできる。自前でサーバーを用意しない場合は、1分あたり0.001ドルからの公式APIや、文字起こしに特化したVoxtral Mini Transcribeが利用できる。また、同社のチャットサービスLe Chatでも今後数週間で音声モードが順次開放される予定だ。

なぜ重要か

Whisperの認識精度に物足りなさを感じていた開発者や、商用APIの利用料やデータプライバシーの観点でクラウド導入を見送っていたチームにとって、Voxtralはすぐに試す価値がある選択肢だ。音声認識と言語理解をひとつのオープンモデルで完結させられるため、開発コストとインフラ運用の手間を大幅に削ることができる。

話者分離や感情認識、単語単位のタイムスタンプといった細かい機能は今後のアップデート待ちとなっているが、音声を聞き取ってそのまま業務システムを動かす音声エージェントの開発基盤として、オープンソース界隈を一段引き上げる仕上がりになっている。