Mistral「Voxtral 3」公開　音声認識・推論・音声合成を統合、毎分0.04ドルから

Mistral AIは2026年10月20日、音声認識モデル、音声合成モデル、音声エージェント向けSDKをまとめた「Voxtral 3」を公開した。音声の文字起こし、言語モデルによる応答生成、読み上げを一つのストリーミング処理として連携させる。

同社の発表では、推論にMistral Small 4を使う音声エージェントAPIは毎分0.04ドルから利用でき、会話の1ターンを1秒未満で処理するという。コンタクトセンターや予約受付、業務支援などを想定し、日本語を含む多言語対応と、企業のシステムを操作するツール連携を備える。

■文字起こしと音声合成を用途別に提供

文字起こし側には、Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3、Voxtral Mini Transcribe Realtime 3の3モデルがある。録音済み音声の処理とライブ会話を用途に応じて使い分ける構成だ。

上位モデルのSmall Transcribe 3は、50以上の言語への対応に加え、誰の発言かを区別する話者ダイアライゼーションと、専門用語などを事前に与えるコンテキストバイアスを特徴とする。Mistralは、多言語文字起こしの評価でWhisper large-v3、GPT Transcribe、Gemini 3.5 Transcribe、ElevenLabs Scribe v2を上回るとしている。

Mistralが公表したFLEURSの比較は、対象モデルが共通して対応する45言語の平均値だ。Small Transcribe 3の誤り率は、言語指定と自動判定の2条件で4.0％と4.1％となった。評価には主に単語誤り率（WER）を使い、日本語、韓国語、タイ語、中国語では文字誤り率（CER）を用いている。

話者別の文字起こしを評価するcpWERは18.4％だった。これは話者ごとの書き起こしを連結し、参照データとの話者の対応付けを最適化して求める誤り率で、文字起こしと話者の取り違えの両方を反映する。Mistralの比較は、AMI、Switchboard、AISHELL-4などの公開データセットを使っている。

Mini Transcribe 3は録音済みの会議やインタビューなどを処理する軽量モデルで、モデル紹介ページでは3万2000トークンのコンテキスト長が示されている。ライブ会話向けのMini Transcribe Realtime 3については、同社は40以上の言語と500ミリ秒未満の文字起こし遅延を掲げる。

音声合成側のVoxtral Mini TTS 3は、35以上の言語と50以上の方言に対応する。同社によると、文章の意味や会話の文脈から感情、速度、強調を調整するほか、感情や速度を明示するタグも利用できる。公式の言語一覧には、日本語のプリセット音声も掲載されている。

■SDKが発話終了の検出からツール操作まで連携

音声エージェントSDKはLiveKitを基盤とする。Mini Transcribe Realtime 3が音声を文字にし、Mistral Small 4などの言語モデルが応答やツール呼び出しを判断し、音声合成モデルが返答を読み上げる。ユーザーが途中で話し始めた際には、エージェントの発話を止める機能も備える。

文字起こし、言語モデル、音声合成を別々の事業者から調達する構成では、認証、料金、利用上限、データの受け渡しをそれぞれ管理する必要がある。例えば、DeepgramやAssemblyAIの音声認識、OpenAIやAnthropicの言語モデル、ElevenLabsの音声合成を組み合わせる方法がある。Voxtral 3のSDKは、こうした工程の接続と会話制御をまとめて扱う。

応答を速くする要素の一つが、発話終了の検出だ。Mistralによると、リアルタイム文字起こしモデルは音響情報と意味情報を使い、ユーザーが話し終えたかを予測する。さらに、返答を部分ごとに生成・再生するストリーミング処理によって、応答全文の完成を待つ時間を短縮する。

会話中には外部関数の呼び出し、ウェブ検索、社内文書の検索などを利用できる。請求内容の確認や予約処理のように、話を聞いて答えるだけでなく、接続先のシステムで作業を進める用途を想定する。言語モデル、声、言語は、それぞれの役割を保ったまま変更できる設計だ。

ブラウザやアプリではWebRTCを使い、電話システムとはSIPで接続する。公式ドキュメントによると、公開時点の電話連携は企業顧客向けで、利用には担当窓口への申し込みが必要だ。実際の応答時間は、発話終了の判定、モデルやツールの処理、音声生成、ネットワーク経路によって変わる。

■毎分0.04ドルの料金と競合サービスの課金方式

2026年10月の発表時点で、音声エージェントAPIはMistral Small 4を使う場合が毎分0.04ドル、より大きな推論モデルを使う場合が毎分0.08ドルと案内されている。文字起こしだけを使う場合は、Miniのバッチ処理が毎分0.0035ドル、Smallが毎分0.004ドル、Realtimeが毎分0.008ドルだ。音声合成は100万文字当たり13ドルとなる。

競合サービスは、対象となる処理や課金単位が異なる。2026年10月時点のOpenAIの公式料金では、GPT-Realtime-2.1の音声入力は100万トークン当たり32ドル、音声出力は64ドルで、テキスト処理などにも別の単価がある。会話全体の費用は、入力・出力の量や履歴の扱いによって変わる。

Deepgramの公式料金表では、既存導入向けのNova-2ストリーミング文字起こしは1時間0.35ドルと案内されている。ElevenLabsでは、音声エージェント向けSpeech Engineが毎分0.08ドル、音声合成のFlash／Turboが1000文字当たり0.04ドルだ。導入費用を比べる際は、文字起こしだけか、応答生成と読み上げまで含むかをそろえる必要がある。

精度の確認では、利用する音声に即した評価が重要になる。FLEURSは読み上げ音声を収録した多言語データセットであり、電話音声、雑音、話者のアクセント、業界特有の語彙は、それぞれ評価条件となる。コールセンター向けなら、8キロヘルツの狭帯域音声や実際の問い合わせを使い、認識結果と応答時間を測ることが導入判断につながる。

Mistralの技術資料も、モデル単体の処理時間と、アプリで音声が再生されるまでの時間を区別している。ユーザーとサーバーの距離、接続先の地域、発話終了の設定、ツールの呼び出しを含め、実際の利用場所から各工程を測定するよう案内している。

■Pro Voiceは話し方も再現、利用規約は本人の同意を要求

Pro Voiceは、特定話者の声質、感情表現、話し方を多言語で再現する音声適応機能だ。Mistralは約30分の録音を使う機能として紹介し、技術資料では、専門的な音声複製に30分から3時間の高品質な録音を推奨している。静かな場所で、単独の話者を一定の収録条件で録音することが推奨される。

企業にとっては、広報担当者などの許諾を得た声を、複数言語の案内や顧客対応で一貫して使える点が用途になる。音声プロファイルを再利用できるため、部署や言語ごとに異なる汎用音声を選ぶ代わりに、ブランドに合う声を維持できる。

音声複製には、なりすましへの対策も伴う。Mistralの追加製品規約は、明示的な同意を得ない音声複製や、詐欺、欺瞞、他人へのなりすましなどを禁じている。利用方針にも、本人の事前同意なく声や肖像を使ってプライバシーを侵害する出力を生成する行為への禁止規定がある。

過去には、声を使った送金詐欺も報じられている。ル・モンドは保険会社Euler Hermesへの取材などに基づき、2019年3月、ドイツの親会社幹部を装う電話を受けた英国企業の経営者が22万ユーロを送金した事件を報じた。同保険会社は、犯人が合成音声を使ったと説明している。

Forbesは裁判資料に基づき、2020年初めに香港の日系企業で起きた3500万ドルの送金詐欺でも、親会社幹部の声を複製する技術が使われた疑いを報じた。また、McAfeeが2023年に7カ国の成人7054人を対象に実施した調査では、10％がAI音声詐欺の標的になったと回答している。

米連邦通信委員会（FCC）は2024年2月、AI生成音声も電話消費者保護法が規制する「人工音声」に含まれると判断した。対象となる電話では、原則として受信者の事前の明示的同意が必要になる。営業目的の電話には、事前の明示的な書面同意などの要件もある。

■EU域内処理と自社環境での運用を選択

Mistralは、EUでホストするAPIと、自社インフラでの運用をVoxtral 3の導入方法として案内している。企業は、音声をどこで処理するか、会話を保持するかを含めて運用方法を選べる。基盤全体をオンプレミスやプライベートクラウドで動かす場合は、同社の窓口に相談する形となる。

地域を指定した推論は、音声や応答の処理場所を管理したい企業にとって検討材料になる。Mistralの地域別推論の資料では、モデルの処理場所と、アカウント、請求、利用分析などの運用情報の取り扱いを分けて説明している。導入時には処理地域に加え、保存、削除、アクセス権限、契約条件を確認することになる。

録音を扱う企業には、業務に応じたデータ管理も求められる。例えば、EUの金融商品市場指令MiFID IIには、顧客注文などに関係する電話・電子通信の記録義務がある。医療や法律分野でも、会話に含まれる健康情報や秘密情報に応じて、利用目的と保護措置を設計する必要がある。

フランス企業のMistralには、GDPRを含むEUのデータ保護法制が適用される。音声を技術的に処理して個人を一意に識別する用途では、GDPR第9条の特別な保護対象となる生体データの扱いが問題となる。個人の権利や自由に高いリスクを及ぼす処理については、開始前にデータ保護影響評価を行う義務がある。

■欧州向け製品は透明性義務を設計に組み込む

欧州委員会の案内によると、EU AI Act第50条の透明性義務は2026年8月2日から適用されている。音声エージェントをEU市場に提供する企業は、自社がシステムの提供者に当たるか、導入者に当たるかと、サービスの機能に応じて義務を整理する必要がある。

第50条第1項は、人と直接対話するAIシステムの提供者に対し、利用者がAIと対話していると分かる設計を求める。利用状況からAIであることが明らかな場合などには例外があり、通知が必要な場合は、遅くとも最初の対話時点で明確に伝える。初回の音声案内や画面表示が、その実装方法となる。

第50条第2項は、合成音声などを生成するAIシステムの提供者に対し、出力を機械可読な形式で表示し、人工的に生成・加工されたものとして検出できるよう求める。対応方法には、電子透かしや来歴情報などを組み合わせる考え方がある。技術的に実現可能な範囲、コンテンツの性質、費用、技術水準なども考慮される。

欧州委員会によると、2026年8月2日より前に市場投入されたシステムについては、この表示・検出義務に限り12月2日までの移行期間がある。新たに市場投入する対象システムでは、提供開始時から対応を設計に組み込むことになる。同委員会は、表示と通知の実装を助ける実務規範やガイドラインも公表している。

違反への制裁金は、最大1500万ユーロまたは前会計年度の全世界年間売上高の3％となり得る。制裁金の算定には企業規模などに応じた規定がある。製品開発では、AIとの対話の通知と、生成音声の機械可読な表示を、それぞれ担当主体と実装方法まで整理しておくことが重要だ。

欧州議会は2026年3月26日、本人の同意なく性的・私的な画像を生成する「ヌーディファイアー」システムの禁止案を含むAI Act改正案への立場を、賛成569、反対45、棄権23で採択していた。合成メディアを巡る規制では、このような用途別の禁止と、生成物の透明性を確保する義務が並行して整備されている。

■約15カ月で音声モデルから会話基盤へ

Mistralの音声製品は、2025年7月15日の初代Voxtralから拡充されてきた。2026年2月4日にはVoxtral Transcribe 2、3月23日には9言語に対応する初の音声合成モデルVoxtral TTSを公開した。Voxtral 3では、音声モデルに加え、それらを会話として動かすSDKとAPIを提供する。

公開ライセンスも世代やモデルによって異なる。初代Voxtralと2026年2月のVoxtral RealtimeはApache 2.0、3月のVoxtral TTSの公開重みはCC BY-NC 4.0で提供された。新しい基盤の導入では、使用するモデルと提供形態ごとに契約・ライセンス条件を確認することになる。

SDKの基盤となるLiveKitは、2026年1月22日、評価額10億ドルで1億ドルのシリーズC調達を発表した。サーバーはApache 2.0で公開され、GitHubのスター数は2026年10月22日時点で約2万1700となっている。TechCrunchは、同社の顧客としてChatGPTの音声機能を提供するOpenAIやxAIなどを挙げている。

Mistral自身も2026年9月、Samsung Electronics主導のシリーズDで30億ユーロを調達し、調達後評価額は210億ユーロ超となった。同社は欧州テクノロジー企業として過去最大のエクイティ調達と説明し、研究、計算基盤、商用展開の拡大に充てるとしている。Voxtral 3は、こうした基盤の上で多言語の音声対話と業務システムの操作を一体化する製品となる。

元記事: Mistral Voxtral 3 Cuts Full Voice Agent Pipeline to One SDK at $0.04/min, Beats Whisper