Mistral AI、音声認識モデルVoxtral Transcribe 2を公開、RealtimeはApache 2.0のオープンウェイト

Voxtral Mini Transcribe V2は、話者ダイアライゼーション、コンテキストバイアス、単語単位のタイムスタンプを備え、英語、中国語、日本語を含む13言語に対応する。FLEURSで単語誤り率は約4%とされ、GPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal、Deepgram Novaを精度で上回ると説明している。ElevenLabsのScribe v2とは品質が同等で、処理は約3倍速く、コストは5分の1としている。1回のリクエストで最大3時間の音声を処理できる。

話者ダイアライゼーションでは話者ラベルと開始・終了時刻を付与できるが、発話が重なる場合は通常一人分のみ書き起こす。コンテキストバイアスは最大100語またはフレーズを指定でき、英語向けに最適化されており、他言語は実験的な対応である。

Voxtral Realtimeは、オフラインモデルを分割処理で流用する方式とは異なり、音声の到着に合わせて書き起こすストリーミングアーキテクチャを採用する。遅延は200ms未満まで設定可能で、2.4秒遅延ではMini Transcribe V2と同等、480msでは単語誤り率の差が1〜2%以内に収まるとしている。4Bパラメータでエッジデバイス上でも動作し、プライバシーを重視する用途を想定している。API料金は1分あたり$0.006である。

Mistral Studioには音声プレイグラウンドも追加された。最大10ファイルをアップロードでき、ダイアライゼーションの切り替え、タイムスタンプの粒度選択、コンテキストバイアス用語の追加が可能で、.mp3、.wav、.m4a、.flac、.oggの各形式に1ファイル最大1GBまで対応する。Le Chatでも試せる。想定用途として会議の書き起こし、音声エージェント、コンタクトセンター、放送の字幕、コンプライアンス記録を挙げ、オンプレミスやプライベートクラウドでのGDPR・HIPAA対応の運用にも対応するとしている。