Mistral AI が、音声での対話に特化した新しいモデル群とSDK「Voxtral 3」を発表した。文字おこし・音声合成・対話の制御を1つの仕組みでつなぎ、50以上の言語・35以上の言語での自然な話し方に対応する。自社の API（ヨーロッパ・米国・全世界の3つの接続先）か、利用企業自身のサーバーに置いて動かせる。
- Mistral AI が2026年10月20日、音声での対話に特化した新しいモデル群とSDK「Voxtral 3」を発表した。聞き取り（文字おこし）・考える（対話の判断）・ツールの呼び出し・話す（音声合成）の4つをひとつのリアルタイムの仕組みでつなぎ、コールセンターや受付窓口、音声アシスタントなどの用途を想定している
- 文字おこしのモデル「Voxtral Small/Mini Transcribe 3」は50以上の言語に対応し、誰が話したかを区別する「ダイアライゼーション」や、業界特有の用語を事前に渡して認識精度を上げる機能を持つ
- 同社は、上位モデルの Voxtral Small Transcribe 3 について、英語・フランス語・スペイン語などでの文字おこしとダイアライゼーションの精度が、OpenAI の Whisper や ElevenLabs の Scribe v2、Google の Gemini 3.5 Transcribe より上だとしている
- 音声合成のモデル「Voxtral Mini TTS 3.0」はバッチとリアルタイムの両方で使え、35以上の言語・50以上の方言に対応し、会話の文脈に応じて感情や話す速さ、強調を変える。同社は、100万文字あたり13ドルの「Voxtral Speech 3」は、OpenAI の TTS-1 や Deepgram、ElevenLabs Flash、Google の Gemini Flash の同等のモデルより動かす費用が安いとしている
- 新しい「音声対話エージェント SDK」は LiveKit の上に作られており、電話（SIP）やブラウザ・アプリ（WebRTC）から使える。判断に使うモデルは Mistral Small などから選べ、音声・言語・判断の各モデルを個別に入れ替えられる
- 提供は発表と同時に始まった。Mistral の API のヨーロッパ・米国・全世界の3つの接続先（エンドポイント）から使えるほか、利用企業自身のサーバーに置いて動かすこともできる。同社は、音声データをどこで処理するか、データをどう扱うか、会話を録音として残すかどうかを利用企業が選べる点を強調している
料金（Mistral AI の発表）
| モデル・サービス | 料金 |
|---|---|
| Voxtral Mini Transcribe 3（文字おこし・バッチ処理） | 1分あたり0.0035ドル |
| Voxtral Mini Transcribe Realtime 3（文字おこし・リアルタイム） | 1分あたり0.008ドル |
| Voxtral Small Transcribe 3（文字おこし・高精度） | 1分あたり0.0040ドル |
| Voxtral Speech 3（音声合成・バッチとリアルタイムで同じ API） | 100万文字あたり13ドル |
| 音声対話エージェント API（判断に Mistral Small 4 を使う場合） | 1分あたり0.04ドル |
| 音声対話エージェント API（ほかの判断用モデルを使う場合） | 1分あたり0.08ドル |
月額プランの料金についての発表は無い。すべてをオンプレミスや専用のクラウドで動かす場合は、同社に問い合わせる形だとしている。
確かめた一次資料
この記事は、上の一次資料の原文を読んで書いています。数字は原文のとおりで、計算した値はそう書いています。