Mistral AI Voxtral Transcribe 2 リリース

Mistral AIは、最先端の文字起こし品質、話者分離、および超低遅延を実現するために設計された音声文字起こしモデルファミリー、Voxtral Transcribe 2をリリースしました。このリリースには、バッチ処理用のVoxtral Mini Transcribe V2と、ライブアプリケーション用のVoxtral Realtimeという2つの主要なモデルが含まれています。

Voxtral Realtime: 超低遅延ストリーミング

Voxtral Realtimeは、音声をチャンクごとに処理するのではなく、到着した音声をその場で文字起こしする新しいストリーミングアーキテクチャを利用しており、最小限の遅延が求められるライブアプリケーション向けに設計されています。

主要なパフォーマンス指標

Latency: 遅延は200ms未満まで設定可能で、レスポンシブな音声エージェントを実現します。
Accuracy vs. Delay: 480msの遅延において、モデルは1-2%以内の単語誤り率（WER）を維持します。2.4秒の遅延では、Voxtral Mini Transcribe V2バッチモデルと同等の精度を実現します。
Model Size and Deployment: 4Bのパラメータ数を持つこのモデルは、プライバシー重視のアプリケーション向けにエッジデバイスにデプロイ可能です。
Licensing: Voxtral RealtimeはApache 2.0ライセンスの下でオープンウェイトとしてリリースされます。

言語サポート

Voxtral Realtimeはネイティブな多言語対応で、英語、中国語、ヒンディー語、スペイン語、アラビア語、フランス語、ポルトガル語、ロシア語、ドイツ語、日本語、韓国語、イタリア語、およびオランダ語の13言語をサポートしています。

Voxtral Mini Transcribe V2: 高効率バッチ文字起こし

Voxtral Mini Transcribe V2は、高精度なバッチ文字起こしと話者分離に最適化されています。FLEURSベンチマークにおいて約4%の単語誤り率（WER）を達成し、価格は1分あたり$0.003です。

技術的能力

Speaker Diarization: モデルは話者ラベルと正確な開始/終了時間を含む文字起こしを生成します。音声が重なっている場合、モデルは通常、一人の話者を文字起こしします。
Context Biasing: ユーザーは最大100単語またはフレーズを提供して、技術用語、名前、またはドメイン固有の語彙の正しい綴りをモデルにガイドさせることができます。この機能は英語に最適化されており、他の言語については実験的なサポートが提供されています。
Word-Level Timestamps: モデルはすべての単語に対して正確な開始および終了タイムスタンプを提供し、字幕生成や音声検索を容易にします。
Audio Capacity: モデルは1回の要求で最大3時間の録音を処理できます。
Noise Robustness: システムは、フィールド録音、混雑したコールセンター、工場などの困難な音響環境でも精度を維持します。

ベンチマークと競合比較

Voxtral Mini Transcribe V2は13言語（Voxtral Realtimeと同じセット）をサポートしています。Mistral AIは、このモデルがGPT-4o mini Transcribe、Gemini 2.5 Flash、Assembly Universal、およびDeepgram Novaよりも精度において優れていると報告しています。さらに、ElevenLabsのScribe v2よりも約3倍速く音声を処理し、5分の1のコストで同等の品質を実現します。

実装とツール

Mistral Studio Audio Playground

即時テストが可能なオーディオプレイグラウンドがMistral Studioで利用可能です。各1GBまでの.mp3, .wav, .m4a, .flac, .oggファイルに対応しています。ユーザーは話者分離を切り替え、タイムスタンプの粒度を調整し、コンテキストバイアス項を追加できます。

価格と可用性

Voxtral Mini Transcribe V2: API経由で1分あたり$0.003で利用可能です。
Voxtral Realtime: API経由で1分あたり$0.006で利用可能、およびHugging Face上のオープンウェイトとして利用可能です。
Compliance: 両モデルとも、プライベートクラウドまたはセキュアなオンプレミス環境を介して、GDPRおよびHIPAAに準拠したデプロイメントをサポートしています。