Mistral、音声モデルVoxtral 3と音声エージェントSDKを発表

Mistral AIは2026年10月20日、音声モデル群「Voxtral 3」と音声エージェントSDKを発表した。翌21日にはX公式アカウントが、Voxtral 3を最先端のTranscribeモデルとSpeechモデルと位置づけ、新しい音声エージェントAPIを支える基盤だと説明した。同日のThe Decoderは、聞く、考える、ツールを使う、話すという一連の処理を一つのストリーミングパイプラインにまとめた構成だと報じ、構成要素を音声認識のVoxtral Small Transcribe 3、音声合成のVoxtral Mini TTS 3、LiveKitを基盤とする音声エージェント向けSDKの3つと整理している。 音声認識のVoxtral Small Transcribe 3は、多言語の文字起こしと話者分離で最先端の結果を示し、Whisper、Scribe v2、Gemini 3.5 Transcribeを上回るとされる。キーフレーズで精度を高めるコンテキストバイアスや発話終了の検出にも対応する。Voxtral Realtime Transcribe 3は35以上の言語で500ms未満のレイテンシをうたう。Mini版は4Bパラメータで、発表には$0.0035/minと記載されている。ただしSmall版は$0.0040/min、Mini Transcribe Realtime 3は$0.008/minとされ、Mini版の価格と製品名の対応は報道上はっきりしない。 音声合成のVoxtral Mini TTS 3.0はバッチとリアルタイムに対応し、会話の文脈に応じて感情、速度、強調を調整する。価格は100万文字あたり$13で、OpenAI TTS-1、Deepgram、ElevenLabs Flash、Gemini Flashより低コストと説明されている。30分の音声から話者の特徴を再現するPro Voice適応や、発音を指定する音素ヒントも用意される。 音声エージェントSDKはLiveKit上に構築され、通話中に本人確認、請求の確認、予約などを関数呼び出し、Web検索、自社システム検索で実行できる。SIPやWebRTCに対応し、既存のコンタクトセンター用ソフトウェアとも接続できる。各段階が別モデルのため、LLM、声、言語を個別に差し替えられる。Voxtral 3はEU、米国、グローバルの各エンドポイント経由のMistral APIで発表日から利用でき、Studioのプレイグラウンドで試せる。オンプレミスやプライベートクラウドで全スタックを動かすには、同社チームへの問い合わせが必要である。

報道をもとにAIが作成しました・2 時間前更新