Voxtral 3：Mistralが音声エージェント向け技術スタックを構築
MistralのVoxtral 3は、文字起こし・音声合成モデルと音声エージェントSDKのセット。料金は1分0.0035ドルから。できることと価格を解説します。
この記事の他の言語版:العربيةDeutschEnglishEspañolFrançaisItalianoPolski简体中文
10月20日、Mistralは音声からテキスト、テキストから音声への変換を行う新しいモデルファミリーVoxtral 3を公開しました。あわせて音声エージェントを構築するためのSDKも発表しています。すべてMistralのAPIから利用でき、Hacker Newsのスレッドでは500ポイント近くを集めました。
Voxtral 3の新機能は？
発表によると、Voxtral 3は4つのモデルと1つのSDKで構成されています。
- Voxtral Small Transcribe 3：もっとも高精度な文字起こしモデル。話者識別（いわゆる「ダイアライゼーション」）、専門用語のヒント、発話終了の検出に対応。
- Voxtral Mini Transcribe 3：文字起こし用の小型モデル（4Bパラメータ）。
- Voxtral Mini Transcribe Realtime 3：遅延500ms未満のリアルタイム文字起こし。エージェント向けに設計。
- Voxtral Speech 3：感情、テンポ、強調を制御できる音声合成。モデルのドキュメントによると、最初の音声が出るまで約90msです。
さらに、LiveKit上に構築された音声エージェントSDKもあります。聞く、推論する、ツールを呼び出す、話すという処理がひとつのストリームで動き、Mistralによると会話の1ターンは1秒未満で処理されます。エージェントはウェブ検索や自社システムのデータを利用でき、SIP（つまり普通の電話）またはWebRTCで接続できます。
Voxtral Speech 3は音声クローンにも対応しています。基本的なクローンには30分以上の録音が必要で、プロ向けにはMistralが「Pro Voice」を提供しており、発表によると話者特有のスタイルまで再現するとのことです。
Voxtral 3の料金は？
発表に記載された価格：
| モデル | 価格 |
|---|---|
| Voxtral Small Transcribe 3 | 1分あたり0.004ドル |
| Voxtral Mini Transcribe 3 | 1分あたり0.0035ドル |
| Voxtral Mini Transcribe Realtime 3 | 1分あたり0.008ドル |
| Voxtral Speech 3 | 100万文字あたり13ドル |
| 音声エージェントAPI | 1分あたり0.04ドル（Mistral Small 4使用時）または0.08ドル（他のモデル使用時） |
つまり、最小モデルで1時間文字起こしすると約21セントです。MistralはここでWhisper、ElevenLabs、Deepgram、Geminiと比較していますが、これは同社自身の測定結果にすぎないため、判断は独立したテストを待ってからにします。
Voxtral 3は日本語に対応している？
少なくとも文字起こしでは、幅広い言語に対応しています。発表によると、音声認識モデルはEUの公用語24言語すべてを含む50以上の言語に対応しており、FLEURSベンチマークで評価されています。
音声合成についてはあまりはっきりしません。発表では音声ライブラリに35以上の言語と50の方言があるとしていますが、ドキュメントのモデルカードには9言語と書かれています （何かを作り込む前に、プレイグラウンドで日本語の音声を確認してください）。
何か問題はある？
あります。まさにそれがHacker Newsの議論の中心です。以前のVoxtralモデルはオープンウェイトでした（例：Hugging FaceのVoxtral Mini 3B）が、Voxtral 3の発表にはウェイトにもライセンスにも言及がありません。Mistralは「self-deployment on your own infrastructure」と書いていますが、オンプレミス導入には営業への問い合わせが必要です。あるコメント投稿者は「Closed model unfortunately」と短くまとめています。
品質の評価も分かれています。以前のバージョンの文字起こしや話者識別を評価する声がある一方、デモの新しい音声はより人工的に聞こえるという意見もあり、ローカルでの文字起こしにはParakeetを勧める人もいます。より広範なテストが出るまでは、発表内容は慎重に受け止めましょう。
Voxtral 3を試すには？
方法は2つあります。
- Mistral Studioのプレイグラウンド：Mistralのコンソールにログインすると、文字起こし、音声合成、音声クローン、音声エージェントを試せます。
- API：コンソールでキーを発行し、詳細は音声関連のドキュメントで確認できます。エンドポイントはEU、米国、グローバルで利用できます。
自分のマシンで動かせるものを探しているなら、Voxtral 3は（少なくとも今のところ）向いていません。その場合は以前のオープンなバージョンを使い、AIをローカルで動かすほうがよいでしょう。また、高速な音声エージェントを作るなら、InceptionがMercury 3と一緒に発表したMercury VoiceとVoxtral 3を比べてみるのもよいでしょう。
FAQ
Voxtral 3はオープンソース？
今のところ、そうだと示すものはありません。発表にはライセンスもウェイトへのリンクもなく、自社インフラへの導入にはMistralへの問い合わせが必要です。オープンウェイトなのは以前のVoxtralモデルです。
Voxtral 3の文字起こし料金は？
1分あたり0.0035ドル（Voxtral Mini Transcribe 3）から、リアルタイムモードの0.008ドルまでです。音声合成は100万文字あたり13ドルです。
Voxtral 3は以前のVoxtralと何が違う？
以前のバージョンは文字起こしまたは音声合成の個別のモデルで、多くがオープンウェイトでした。Voxtral 3はモデルファミリー全体と音声エージェントSDKのセットで、APIから利用できます。