Mistral AI は 2026 年 10 月 20 日、公式ブログで Voxtral 3 を発表した。音声モデル群と音声エージェント SDK を組み合わせ、文字起こし、推論、ツール呼び出し、音声合成を1本のリアルタイム・ストリーミング管線に収めた構成だ。文字起こしは50を超える言語、合成は35を超える言語と50を超える方言に対応し、Mistral が EU で托管する API か、顧客自身のインフラへの配備かを選べる形で即日提供が始まった。
単体モデルではなく4点セット
文字起こしは3段階ある。Voxtral Mini Transcribe 3 が1分 0.0035 ドル、Small 版が 0.004 ドル、遅延500ミリ秒未満のリアルタイム版が 0.008 ドルだ。公式が公表した FLEURS 45言語テストでは、Small 版の単語誤り率は言語指定時 4.1%、自動判定時 4.0% で、Whisper large-v3、Scribe v2、Gemini 3.5 Transcribe を上回るとされる。ただしこれはメーカー測定であり、第三者の再検証はまだ先だ。出力側の Voxtral Speech 3 は100万文字あたり13ドルで、文脈に応じて感情、速度、強勢を調整し、30分の録音から話者の声の特徴と表現様式を再現する Pro Voice も備える。LiveKit 基盤のエージェント SDK が全体を束ね、通話中に請求確認、予約、本人確認ができ、各ターンは1秒未満で完了し、相手が割り込めば即座に話すのを止める。
同日に Eleven Realtime と正面衝突
タイミングは際どい。同日の早い時間に ElevenLabs がリアルタイム会話向けの Eleven Realtime を発表しており、本サイトでも ElevenLabs の Eleven Realtime 発表 として遅延と推論スコアを伝えた。両者の形は違う。ElevenLabs が売るのは音声対音声のモデルで、Mistral が売るのは組み替え可能な一式だ。文字起こし、推論モデル、合成は個別に交換でき、全体を顧客のデータセンターへ移すこともできる。欧州の買い手にとっては、ベンチマークよりこの点が効くかもしれない。サポート通話は大量の個人情報を含み、EU 托管か私有配備かが選べれば、コンプライアンスの協議はずっと短くなる。
選定ではどの帳簿を先に見るか
音声基盤を選ぶチームへの具体的な確認点は3つ。第一に言語分布。ユーザーが資源の少ない言語や方言に集中するなら Voxtral の広さが差別化点になるが、FLEURS だけでなく自社の通話録音で誤り率を測ること。第二に配備境界。通話音声を自社施設の外に出せるかどうかで API か自社配備かが決まり、ここを誤ると後段すべてがコンプライアンス費用になる。第三に価格構造。文字起こしは1分あたり0.5セント未満、音声エージェント API は1分 0.04〜0.08 ドルで、大量利用では席数課金型の従来コールセンターとは桁が違う。ただし推論モデルの費用も合算が必要だ。音声エージェントの競争は「人間らしく聞こえるか」から「顧客のデータ境界の中で仕事を完遂できるか」へ移り、Voxtral 3 は後者に賭けている。
