Mistral AI、音声AI「Voxtral 3」発表 リアルタイム文字起こしや音声複製に対応

記事の理解を助けるための画像

35以上の言語に対応する音声AI

フランスのAI企業Mistral AIは2026年10月20日（現地時間）、音声モデル群「Voxtral 3」を発表した。音声認識やリアルタイム文字起こし、音声生成、音声複製、音声エージェントの機能を備える。テキスト読み上げ（TTS）は35以上の言語に対応するとしている。

文字起こしのバッチ処理料金は、「Voxtral Mini Transcribe 3」が1分当たり0.0035ドル、「Voxtral Small Transcribe 3」が同0.0040ドル。リアルタイム向けの「Voxtral Mini Transcribe Realtime 3」は同0.008ドルに設定した。

音声生成モデル「Voxtral Mini TTS 3」は100万文字当たり13ドル。多言語TTSと表現力を重視した英語TTSの社内評価では、「gemini-3.8-flash」を判定モデルとして使用した。

音声エージェントは構成に応じた料金

音声エージェントAPIの料金は、組み合わせるモデルによって異なる。「Mistral Small 4 reasoning」を使う構成は1分当たり0.04ドルで、より大規模なモデルを使う場合は同0.08ドルとなる。

Voxtral 3は、Mistral AIが欧州、米国、世界向けに設けるAPIエンドポイントを通じて提供する。自社設備で運用するオンプレミス環境やプライベートクラウドへの導入は、同社への個別相談が必要だ。開発者向けの「Studio」プレイグラウンドでは、文字起こし、音声生成、音声複製、音声エージェントを試せる。

外部評価では上位モデルに迫る

独立評価機関Artificial Analysisによる、ストリーミング処理を使わない文字起こし精度の指標「AA-WER」では、Voxtral Smallが2.1％、Voxtral Miniが2.2％だった。数値が低いほど誤りが少ないこの評価では、「Fun-Realtime-ASR-preview」が1.7％、「MAI-Transcribe-2」が2.0％となり、Voxtral Smallを上回った。

ほかのモデルでは「Scribe v2」が2.2％、「Gemini 3.5 Transcribe」が2.6％、「GPT Transcribe」が3.3％だった。Voxtral MiniはScribe v2と同水準だった。AA-WERは「AA-AgentTalk」を50％、「VoxPopuli-Cleaned-AA」と「Earnings22-Cleaned-AA」をそれぞれ25％の比率で組み合わせて算出している。

Source: Original Korean article - Trendy News Korea