Mistral AI Voxtral 3 リリースノート

概要

Mistral AIは、リアルタイムのマルチステップ会話型AIを促進するために設計された、新しい音声モデルファミリーおよび音声エージェントSDKであるVoxtral 3を発表しました。このシステムは、文字起こし、推論、音声合成を単一のストリーミングパイプラインに統合しており、50以上の言語をサポートし、MistralのEUホスト型APIまたはプライベートインフラストラクチャでのデプロイを可能にします。

音声認識（Speech-to-Text）機能

Voxtral 3の文字起こしモデルは、高精度な多言語処理とリアルタイムのエージェントワークフロー向けに設計されています。主な技術的特徴は以下の通りです。

• Voxtral Small Transcribe 3: 高精度な多言語文字起こしと話者分離（ダイアライゼーション）に最適化されており、50以上の言語をサポートしています。コンテキストバイアス機能を備えており、開発者はドメイン固有の語彙やキーフレーズを提供することで、ファインチューニングなしで再現率を向上させることができます。
• Voxtral Mini Transcribe Realtime 3: 低遅延のエージェントユースケース向けに設計されており、500ms以下の遅延を実現します。音響信号と意味信号の両方を利用するネイティブなターン終了検出機能を備えており、ユーザーの中断時の誤ったカットオフを最小限に抑えます。
• パフォーマンス: このモデルは、WhisperやScribe v2といった既存のベンチマークを上回る性能を報告しており、4BパラメータのMiniバリアントはバッチ処理で1分あたり$0.0035という価格設定になっています。

音声合成（Text-to-Speech）と表現豊かな合成

Voxtral Mini TTS 3.0は、35以上の言語と50以上の方言をサポートし、自然でコンテキストを認識した音声生成に重点を置いています。

• 感情適応性: このモデルは意味的なコンテキストを暗黙的に解釈し、明示的な指示なしで韻律、リズム、ペース、強調を調整します。
• Pro Voice Adaptation: プロフェッショナルなユースケース向けに、30分の音声を使用して特定の話し手の感情範囲やキャラクターを再現できます。
• 指示追従: ユーザーは emotion、pacing、emphasis などの変数を通じて音声出力を制御できます。
• コスト効率: このモデルは100万文字あたり$13という価格設定であり、既存のエンタープライズ向けTTSソリューションに対する競争力のある代替手段となります。

音声エージェントSDK

Voxtral 3音声エージェントSDKは、聞く、推論する、話すを組み合わせた統合ストリーミングパイプラインを提供します。LiveKit上に構築されたこのアーキテクチャはモジュール性を備えており、開発者はパイプライン全体を再構成することなく、基盤となるLLM、音声、言語を入れ替えることができます。

• 統合: SDKはSIP、WebRTC、および標準的な電話/IVRシステムをサポートしており、エージェントは本人確認、請求に関する問い合わせ、予約のスケジューリングなどのマルチステップタスクを実行できます。
• デプロイメント: 組織は、独自のインフラストラクチャ上でスタック全体をデプロイするか、MistralのEUホスト型APIエンドポイントを利用することで、データ主権を維持できます。

価格と可用性

Voxtral 3はMistral APIを通じてすぐにご利用いただけます。価格体系は以下の通りです。

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 Speech 3 (バッチ/リアルタイム)	$13/100万文字