思考
概要
Voxtral 3 は、50以上の言語に対応したリアルタイムのマルチステップ会話のために設計された最先端のボイスエージェントSDKと最新鋭の音声モデルを導入します。正確な文字起こし、感情適応力を備えた自然な音声合成、そしてシームレスなワークフロー自動化のための深いツール統合を組み合わせています。MistralのEUホスティングAPIまたはセルフデプロイメントで利用可能であり、データ主権を確保しながら、コンタクトセンター、バーチャルアシスタント、ハンズフリーコパイロット向けに低レイテンシで人間らしいインタラクションを提供します。
音声の書き起こしと音声生成は大きく進歩しましたが、聞き取り、推論、対話を行い、複雑なワークフローを処理できるエンドツーエンドの音声エージェントを構築することは依然として困難です。
信頼できる音声エージェントには、次の4つのことを非常に上手に(しかも同時に)行うことが求められます。
正確に聞き取る 言語、アクセント、話者、そして会話の中断を越えて、
理由 深く 特定の文脈でユーザーが何を意味しているかについて、
自然に話す 感情と表現力を込めて、そして
行動を起こす 接続された複数のシステムを通じて複数のステップにわたって行われます。
リアルタイムでこの4つすべてを確実に連携させることは、依然として課題であり続けています。
これに対処するため、我々はVoxtral 3を紹介する。これは最先端の 音声からテキストへの変換（speech-to-text） および テキスト読み上げ モデル群に加え、聴く・考える・ツール呼び出し・話すを単一のリアルタイムストリーミングパイプラインに統合する音声エージェントSDKも提供します。
Voxtral 3は、コンタクトセンターのエージェントやサービスデスクから、バーチャルアシスタントやハンズフリーコパイロットに至るまで、自然な会話体験を実現するために構築されています。数十の言語をサポートし、表現力豊かな音声、複雑な推論、そして独自のツールやデータとの深い統合を備えているため、Voxtralで構築されたエージェントは、ニュアンスの細かい意図を解釈し、高度なリクエストを推論し、接続されたシステム全体にわたる複数ステップのアクションを実行できます。
他のMistralモデルと同様に、Voxtral 3ファミリーは主権展開向けに設計されています。本日から、MistralのEUホスト型APIを通じて、または自社インフラへのセルフデプロイで利用可能であり、組織は音声がどこで処理されるか、データがどのように扱われるか、会話を保持するかどうかを管理できます。
ハイライト
50以上の言語に対応する正確な文字起こし。音声認識モデル「 Voxtral Small Transcribe 3は、多言語文字起こしにおいて最新鋭であり、誰が何を話したかを識別し(ダイアリゼーション)、キーフレーズを用いて精度を向上させます(コンテキストバイアス)。話者が話し終えたタイミングを検出するため、エージェントは遅延なく応答できます(発話終了検出)。
会話に合わせて適応する自然な音声。このテキスト読み上げモデル、 Voxtral Mini TTS 3は、会話の文脈に応じて感情、速度、強調を調整する新しい音声を導入し、35以上の言語と50以上の方言に対応しています。
あなたの(話した)コマンドに応える人間のような知能。新しい音声エージェントSDKは、聞き取り、推論、ツール呼び出し、発話をリアルタイムの体験に統合します。エージェントは、電話やウェブ上のライブ会話の中で、情報の取得、ビジネスシステムとの連携、タスクの完了を行うことができます。
明確に正確な音声適応を実現するPro Voice。基本的なボイスクローンでは不十分なプロフェッショナルなユースケースのために、Voxtralの Pro Voice 適応機能は、わずか30分の音声を使用して、話者特有の個性、感情表現の幅、話し方のスタイルを複数言語にわたって再現できます。
あなたのインフラ上で動く、あなたの音声AI。MistralのEUホスティングAPIを利用するか、Voxtral 3を自身のインフラにデプロイできます。機密性の高い会話を自社の環境内に留め、音声を保持するかどうかを制御できます。
50以上の言語を、最先端の精度で聞き取ります。
Voxtral Transcribe 3 は、文字起こし、ダイアリゼーション(誰がいつ話したか)、コンテキストバイアス機能において大きなマイルストーンとなります。対応言語リストは50言語に拡大され、24のEU公用語や、リソースの少ない多くのアジアおよびインド系言語が含まれます。
Smallバージョンは、英語、フランス語、スペイン語を含むダイアリゼーションと多言語文字起こしにおいて最先端の結果を達成します。Whisper、Scribe v2、Gemini 3.5 Transcribeを上回る性能です。 Miniバリアント は4Bパラメータで、1分あたり$0.0035という価格で高速かつ正確な文字起こしを可能にします。
両モデルはコンテキストバイアスに対応しており、重要な用語や自由形式のテキストを与えることで文字起こしにバイアスをかけ、専門用語の再現率を向上させることができます。これにより、ファインチューニングなしで、ドメイン固有の語彙を用いる本番環境で利用することが可能になります。
FLEURS 45 Forced vs Inferred
単語誤り率 — 低いほど良い
Forced
Inferred
7つのモデルすべてが対応するFLEURSベンチマークの45言語の共通集合におけるマクロ平均WERです。日本語、韓国語、タイ語、中国語を除くすべての言語でWERが使用され、これらの言語ではCERが使用されます。低いほど良いです。
Forced = 言語を指定、Inferred = 言語を自動検出。言語: AR, BN, BG, CA, ZH, CS, DA, NL, EN, ET, FI, FR, DE, EL, GU, HI, HU, IS, ID, IT, JA, KN, KO, LV, LT, MK, MS, ML, MR, NO, FA, PL, PT, RO, RU, SK, SL, ES, SV, FIL, TE, TH, TR, UK, VI
ダイアリゼーション(Diarization)
連結最小置換WER(cpWER) — 低いほど良い
公開されているダイアリゼーションベンチマーク(AMI-IHM、AMI-SDM、Switchboard、Switchboard CallHome、AISHELL-4)におけるマクロ平均連結最小置換単語誤り率(cpWER)。APIベースラインの最大限の互換性のため、AMIとAISHELLは30分版を使用しています。低いほど良い。
ダイアリゼーションベンチマーク、連結最小置換単語誤り率(cpWER)。
キーフレーズ想起率(Keyphrase Recall)
コンテキストプロンプトありとなし — 高いほど良い
コンテキストなし
コンテキストあり
Voxtral Small Transcribe 3がブランドカラーで強調表示されています。Earnings 22ベンチマークにおけるキーフレーズ想起率です。コンテキストバイアスにはキータームと、0から100の範囲でランダムにサンプリングされた数のダミー語が含まれます。棒グラフは絶対値を重ねて表示しており、外側の棒がコンテキストありの想起率、内側の棒がコンテキストなしの想起率で、見えている帯の部分がコンテキストプロンプトによる向上分を示します。高いほど良い。
キーフレーズ想起率ベンチマーク。コンテキスト = モデルに与えられるドメイン固有の語彙と話者名。
Artificial Analysisベンチマーク
単語誤り率(WER) — 低いほど良い
Artificial Analysis WER Index、VoxPopuli、Earnings-22、AgentTalkにわたる重み付き平均。
低いほど良い。
Voxtral Realtime Transcribe 3 は、エージェント的ユースケースのために構築されたリアルタイム文字起こしモデルです。35以上の言語で、500ミリ秒未満のレイテンシで高品質な文字起こしを実現し、ダイアリゼーションやコンテキストバイアスにも対応しています。
FLEURS 35
リアルタイム文字起こしの単語誤り率(WER) — 低いほど良い
FLEURSベンチマークにおける35言語のマクロ平均WER。日本語、韓国語、中国語にはCERを使用し、それ以外のすべての言語にはWERを使用します。低いほど良い。*Voxtral Mini Transcribe 3はオフラインのベースラインです。その他のモデルはリアルタイムです。
言語: AR(アラビア語)、BN(ベンガル語)、BG(ブルガリア語)、CA(カタルーニャ語)、CS(チェコ語)、NL(オランダ語)、EN(英語)、ET(エストニア語)、FI(フィンランド語)、FR(フランス語)、DE(ドイツ語)、EL(ギリシャ語)、GU(グジャラート語)、HI(ヒンディー語)、ID(インドネシア語)、IT(イタリア語)、JA(日本語)、KN(カンナダ語)、KO(韓国語)、LV(ラトビア語)、MK(マケドニア語)、MS(マレー語)、ML(マラヤーラム語)、MR(マラーティー語)、NO(ノルウェー語)、FA(ペルシャ語)、PL(ポーランド語)、PT(ポルトガル語)、RO(ルーマニア語)、RU(ロシア語)、SK(スロバキア語)、ES(スペイン語)、FIL(フィリピノ語)、TE(テルグ語)、TR(トルコ語)
発話終了(end-of-turn)予測はネイティブでサポートされており、音響情報と意味情報の両方を取り込んで、ユーザーが話し終えた時点を正確に予測します。これにより低レイテンシの音声エージェントアプリケーションが可能になると同時に、ユーザーが途中で遮られた場合の誤切断率を最小限に抑えます。
適切な感情で、あなたや顧客のブランド独自の声と現地の方言で応答します。
Voxtral Mini TTS 3.0、バッチとリアルタイムの両方で利用可能で、35以上の言語と50以上の方言において最先端の表現力と指示追従性を実現します。1M文字あたり13ドルで、Voxtral TTSはOpenAI TTS-1、Deepgram、ElevenLabs Flash、Gemini Flashの類似モデルよりも低コストで運用できます。
この音声モデルは、コンテキストの意味的内容をより適切に暗黙的に解釈し、多様な感情と言語にわたって自然な音声を生成します。新しく改善された機能には、30分以上のサンプル音声からの音声クローン、カスタムプロンプトの指示追従(IF)、コンテキスト対応TTS、語彙ライブラリが含まれ、いずれもデプロイ時の音声の信頼性という目標に資するものです。明示的IFの変数には emotion, pacing、および emphasis.
プロンプト
この議論はここで決着させましょう:GIFです。デフォルト
非標準の音素ヒント: dʒ ɪ f
プロンプト
待って……そんな、ありえない。この絵はランスから来たの？ それなら……これは、私の祖母が50年間探し続けていたあの絵だわ！デフォルト
Non-standard phoneme hint: ʁ e i m s
プロンプト
弊社の新しいアシスタントの名前はQuivelloです。デフォルト
非標準の音素ヒント: tʃ i v ɛ l l o
プロンプト
Hallo! Ich bin Xyra, deine persönliche Assistentin.デフォルト
非標準の音素ヒント: z aɪ ɹ ə
自然に聞こえる音声はすべて、韻律、リズム、テンポ、強調、および切り替わりを決定する感情に依存しています。Voxtral TTSはプロンプトのテキストコンテキストをネイティブに解釈して感情と音声スタイルを判断するため、追加の指示やボイスプロンプトを必要とせずに、本質的に自然な音声に優れています。
Voice Code Bench: 品質対コスト
BeSimple AIが作成したVoice Code Benchは、数値や固有名に関連するエンタープライズカスタマーサポートの失敗状態に焦点を当てています。
その他のTTS
Mistral
右上に向かうほど優れています。
Voice Code Bench (BeSimple AI): 英語のプロンプト300件、システムごとに2つのボイス(女性と男性)、判定モデル gemini-3.8-flash、価格はベンダーの料金ページから、生成日 2026-10-20。
発音制御: 品質対コスト
対象の単語が意図された音素どおりに発音されているクリップの割合
Mistral
その他のTTS
社内評価。右上に向かうほど優れています。文書化された発音制御を持たないシステムは、プロットされずにデータ内に記載されています。
まれな単語または造語を1つ含む英語の文300件(易150件、難150件)、システムごとに2つのボイス。判定モデル gemini-3.8-flash が、単語の意図されたIPAとともにクリップを聴取。価格はベンダーの料金ページから、生成日 2026-10-20。
多言語: 品質対コスト
11言語、言語・システムごとに1つのネイティブボイスにおける判定スコアの平均
その他のTTS
Mistral
社内評価。右上に向かうほど優れています。11言語未満をカバーするシステムは、プロットされずにデータ内に記載されています。
リリース用に選択されたプロンプト377件、11言語、言語ごとの判定スコア平均の重みなし平均、1から5のスケール。判定モデル gemini-3.8-flash、価格はベンダーの料金ページから、生成日 2026-10-20。
表現豊かな英語: 品質対コスト
one_eval における判定スコアの平均、リリース用に選択されたプロンプト237件
その他のTTS
Mistral
社内評価。右上に向かうほど優れています。
表現力のある英語（one_eval）: リリース用に選定された237プロンプト、システムあたり2つのボイス（Voxtral TTS: Sarah と James）、1から5のスケール、判定モデル gemini-3.8-flash、価格はベンダーの価格ページから、2026-10-20 生成。
表現力、数字、固有名詞における Voxtral の hill-climbing（山登り法による改善）を示す例。
プロンプト
Mistral におかけいただきありがとうございます！AI Studio へのログインでお困りとのことですね。メールアドレスを確認させていただけますか？こちらに elena.vance82@yahoo.com とありますが、正しいでしょうか？Voxtral 1
Voxtral 3
プロンプト
わあ、早かったですね。今後のご旅行のためのフライトが見つかりました。10月10日 21:00pm 出発、10月25日 22:00pm 帰りの Emirates 航空のフライト、£1881 ではいかがですか？お言葉をいただければ、今すぐ窓際の座席を予約します。Voxtral 1
Voxtral 3
プロンプト
うそ、妊娠だなんて信じられない！本当にうれしい、おめでとう Corina、本当に嬉しいよ！Voxtral 1
Voxtral 3
プロンプト
パスポートが今週中にでき上がらないってどういうことですか -- 仕事でパリに行かなければならないと何度もお伝えしました。ばかげています。どれほど腹立たしいか、言葉にもできません。Voxtral 1
Voxtral 3
35言語および50以上の方言で現地の音声のように聞こえるスピーチ。
Voxtral TTS は 35言語 以上と地域の方言をサポートします。私たちの多言語評価は、発音の方言差、フォーマル/インフォーマルの語域の違い、スペル、冗長さ、ロケールの慣習（時刻、日付、気温、住所、通貨）に準拠しています。
Voxtral 3 多言語ライブラリ
ボイスプリセットは18言語で利用可能です：アラビア語（UAE、現代標準）、ブラジル（ポルトガル語）、カタルーニャ語、中国語（標準中国語）、オランダ語、英語（アメリカ、イギリス）、フランス語（フランス）、ドイツ語、ギリシャ語、ヒンディー語、イタリア語、韓国語、ノルウェー語、ロシア語、スペイン語（スペイン）、ベトナム語。
ボイスエージェントが会話全体をコントロールします。
Voxtral 3 は、LiveKit 上に構築されたボイスエージェント SDK を導入し、音声入力、推論、音声出力を単一のストリーミングパイプラインとして実行します。Voxtral Mini Transcribe Realtime 3 が話を聞き、発話者が話し終えたことを検知し、 Mistral Smallのような汎用モデルが推論とツール呼び出しを行い、Voxtral TTS がそれまでの会話のトーンで応答します。どの段階も前の段階を待つことがないため、各ターンは1秒未満で完了し、発話者が割り込むとエージェントは話すのを止めます。
通話中、エージェントは関数呼び出し、ウェブ検索、お客様自身のシステム上での検索を用いて、発信者の身元確認、請求書の確認、予約の受付などを行えます。SIP 経由で通話の発着信を行い、WebRTC 経由でブラウザやアプリ内で動作し、すでにお使いの電話、IVR、コンタクトセンターソフトウェアに接続します。
各段階は独立したモデルであるため、エージェントを書き直すことなく LLM、ボイス、言語を変更でき、スタック全体を Mistral のヨーロッパの API 上またはご自身のインフラストラクチャ上で実行できます。
始めましょう。
Voxtral 3 は本日より Mistral API を通じて、当社のヨーロッパ、米国、およびグローバルのエンドポイントでホストされ、利用可能です。
Studioのプレイグラウンドでは、音声エージェント、音声文字起こし、音声生成、音声クローンを試すことができます。
モデル | 価格 |
|---|---|
Voxtral Mini Transcribe 3(バッチ) | $0.0035/分 |
Voxtral Mini Transcribe Realtime 3 | $0.008/分 |
Voxtral Small Transcribe 3 | $0.0040/分 |
Voxtral Mini TTS 3 | $13/1M文字 |
推論にMistral Small 4を使用する音声エージェントAPI | 0.04$/分 |
より大きなモデルを使用する音声エージェントAPI | 0.08$/分 |
フルスタックをオンプレミスまたはプライベートクラウドで実行するには、 当社チームまでご相談ください.
Voxtral Small Transcribe 3
新着
最高精度の音声文字起こしモデル。50以上の言語に対応し、コンテキストバイアスを備えた、最先端の多言語文字起こしと話者分離を提供します。
文字起こし
音声
$0.004
/分
Voxtral Mini Transcribe 3
新着
効率的で低レイテンシの音声文字起こしモデル。50以上の言語での多言語文字起こし、話者分離、コンテキストバイアスに対応しています。
文字起こし
音声(バッチ)
$0.0035
/分
Voxtral Mini Transcribe Realtime 3
エージェント的ユースケース向けに構築されたリアルタイム文字起こしモデルで、40以上の言語に対応し、500ms未満のレイテンシで高品質な文字起こしを提供します。
文字起こし
音声
$0.008
/分
Voxtral Mini TTS 3
先端の表現力と指示追従性を、35以上の言語と50以上の方言にわたって実現
音声
入力
$13
/1M文字