Mistral AI、音声AI群「Voxtral 3」を発表

フランスのAIスタートアップMistral AIは、50以上の言語に対応する最先端の音声AIモデルコレクション「Voxtral 3」および、リアルタイム音声対話を構築できる「Voice Agent SDK」を発表した。音声認識（Speech-to-Text）、推論（LLM）、音声合成（Text-to-Speech）を単一のストリーミングパイプラインとして統合し、欧州ホストのAPIまたは自社インフラでのオンプレミス展開によりデータ主権を確保できる。

Voxtral 3モデル群の構成とスペック

Voxtral 3は、企業のコンタクトセンターや業務自動化、ハンズフリー支援に向けて設計された複数モデルで構成される。

モデル名	主要機能・特徴	料金（API）
Voxtral Small Transcribe 3	50言語対応の最高精度文字起こし。話者分離（Diarization）や専門用語の想起を高めるコンテキストバイアスに対応	$0.0040 / 分
Voxtral Mini Transcribe 3	4Bパラメータの高速・低コスト文字起こしモデル	$0.0035 / 分
Voxtral Mini Transcribe Realtime 3	35言語以上でレイテンシ500ms未満を達成するリアルタイム文字起こしモデル。発話終了検知（ターン終了判定）を内蔵	$0.0080 / 分
Voxtral Mini TTS 3.0	35言語・50方言対応の音声合成。会話文脈に応じた感情・ペース・強調の自動適応、30分の音声によるPro Voiceクローン対応	$13 / 100万文字
Voice Agent SDK	LiveKitベース。Transcribe Realtime＋Mistral Small 4（推論）＋Mini TTSを統合し1ターン1秒未満で応答	$0.04 / 分（推論込）

LiveKit基盤のVoice Agent SDKとエンドツーエンド連携

従来の音声対話システムは、文字起こし・LLMによる回答生成・音声読み上げが個別の段階で直列処理され、応答遅延や割り込み対応の難しさが課題であった。

Mistral AIが提供するVoice Agent SDKは、リアルタイム通信基盤「LiveKit」上に構築されており、各ステージが前工程の完了を待たずに並行動作する。ユーザーが発話途中で割り込んだ場合（カットイン）も即座に発話を停止する。電話網（SIP）やブラウザ・アプリ（WebRTC）経由での通話に対応し、既存のIVRやコンタクトセンター基盤へ直接接続可能となっている。

公式発表と二次報道の差分および日本向け影響

項目	Mistral公式発表	GIGAZINE報道
アーキテクチャ	LiveKit統合SDK、SIP/WebRTC接続、エンドツーエンドの主権運用	4モデルのラインナップ概要と動画デモ紹介
性能指標	FLEURS 35言語ベンチマーク（WER/CER）、発話終了予測（音響・意味解析）	前世代Voxtral Mini Transcribe 2比でのエラー率低下と日本円換算
料金の比較対象	OpenAI TTS-1、ElevenLabs Flash、Gemini Flashとのコスト比較	1分約0.55円〜、TTS 100万字約2055円など国内向け換算

日本の読者への影響として、文字起こしベンチマーク（FLEURS 35）において日本語（JA）が評価対象に含まれており、文字誤り率（CER）基準で高い精度が示されている。一方で、音声合成のプリセット音声（18言語）には英語、フランス語、中国語、韓国語などが含まれるものの、現時点で日本語プリセットは明記されていない。日本語環境での音声合成品質や方言対応については今後の検証が必要となる。

音声AI市場におけるデータ主権とモジュール設計の展望

リアルタイム音声対話AIの分野では、OpenAIのAdvanced Voice ModeやGoogleのGemini Liveが先行しているが、多くはクラウド完結型で閉じた統合モデルである。

これに対し、Mistral AIはSTT・LLM・TTSを独立したモジュールとして構成し、LLM部分を差し替え可能にしながら、欧州域内APIまたは完全自社インフラでの稼働を保証している。機密情報や顧客の音声データを外部へ送信できない欧州および日本の金融・公共機関において、有力なエンタープライズ選択肢になるとみられる。

引用元：Mistral | GIGAZINE