Mistral AIは2026年10月20日、音声認識、音声合成、音声エージェントSDKをまとめた「Voxtral 3」を発表しました。50言語に対応する文字起こし、35以上の言語と50以上の方言に対応する音声合成、LiveKitベースのリアルタイムSDKを組み合わせています。
企業にとっての焦点は、音声をテキストに変換する機能だけではありません。顧客の発話を聞き、推論し、業務システムを操作し、自然な音声で返す一連の処理を、どの構成と料金で実装できるかが判断材料になります。
EUホストAPIと自社インフラの選択肢がある一方、電話接続ではサーバー側ツールが必要です。コールセンターや音声窓口に導入するなら、対応言語、割り込み、データの処理場所、業務システムとの接続を一つの会話シナリオで評価します。
※本記事は2026年10月27日時点の情報です。
AIシステム開発の種類・工程・費用・会社選定までの全体像については、無料ホワイトペーパー「AIシステム開発の完全ガイドブック」で詳しく解説しています。
Voxtral 3とは｜音声を聞いて業務を実行するスイート
Voxtral 3は、音声を文字にするモデル、文字から音声を作るモデル、音声エージェントSDKで構成されます。SDKは聞く、推論する、ツールを呼び出す、話す処理をまとめます。処理はリアルタイムでストリーミングされます。
従来の音声システムでは、音声認識、LLM、音声合成、通話基盤を別々に接続する設計が一般的でした。Voxtral 3では各段階のモデルを分けたまま、SDKで会話の流れを扱います。Mistralは、LLMや音声、言語を変更してもエージェント全体を書き直さずに済むと説明しています。
業務上は、本人確認、請求内容の照会、予約など、会話の途中でシステムを操作する用途が想定されています。function calling、Web検索、自社システムへの検索・取得を組み合わせ、単なる読み上げから処理の完了までを対象にできる点が特徴です。
ポイント
Voxtral 3は音声認識単体ではなく、音声入力からツール実行、音声応答までを一つの会話処理として評価するためのスイートです。
音声モデル｜文字起こしは50言語、TTSは35以上の言語に対応
文字起こしでは、Voxtral Small Transcribe 3が50言語に対応します。話者分離により誰が話したかを扱え、文脈バイアスによって製品名や専門用語の候補を与えられます。録音データを後から処理する用途では、4BパラメータのVoxtral Mini Transcribe 3も選択肢です。
リアルタイム文字起こしのVoxtral Mini Transcribe Realtime 3は、500ミリ秒未満のレイテンシーを実現するとMistralが説明しています。公式ドキュメントでは、target_streaming_delay_msを80〜1200ミリ秒または2400ミリ秒に設定でき、短くすれば速く、長くすれば文脈を待って精度を優先できます。
TTSのVoxtral Mini TTS 3は、35以上の言語と50以上の方言に対応します。会話の文脈に応じた感情、速度、強調を扱い、emotion、pacing、emphasisで発話を指定できます。ブランドボイスを使う場合は、短い録音でのzero-shot音声クローニングと、30分の音声を使うプロ向け音声適応を分けて検討します。
- 文字起こし：50言語、話者分離、専門用語向けの文脈バイアス。
- リアルタイム：ターン検出と500ミリ秒未満のレイテンシー。
- 音声合成：35以上の言語、50以上の方言、感情・速度・強調の制御。
ポイント
導入テストでは言語数だけで合否を決めず、固有名詞の認識、話者分離、割り込み時の応答、ブランドボイスの発音を業務音声で確認します。
料金｜文字起こし・TTS・エージェントを分けて試算
料金は処理モードごとに分かれています。録音ファイルをまとめて処理するか、会話中に文字を返すか、音声エージェントAPIで一連の処理を任せるかを先に決めると、見積もりの単位がそろいます。※1ドル=150円で換算しています。
| モデル・構成 | 用途 | 料金 |
|---|---|---|
| Voxtral Mini Transcribe 3 | バッチ文字起こし | 0.0035ドル/分（約0.525円/分） |
| Voxtral Mini Transcribe Realtime 3 | リアルタイム文字起こし | 0.008ドル/分（1.2円/分） |
| Voxtral Small Transcribe 3 | 高精度の文字起こし | 0.0040ドル/分（0.6円/分） |
| Voxtral Mini TTS 3 | 音声合成 | 13ドル/100万文字（1,950円/100万文字） |
| 音声エージェントAPI | Mistral Small 4／大きいモデル | 0.04／0.08ドル/分（6／12円/分） |
音声エージェントAPIは、推論にMistral Small 4を使う構成が1分0.04ドル、大きいモデルを使う構成が1分0.08ドルです。個別モデルを組み合わせる場合は、文字起こし、推論、音声合成を別々に積み上げます。実際の試算では、1通話あたりの音声分数、出力文字数、必要な推論モデルを分けて入力します。
ポイント
料金表の最安値だけで選ばず、バッチかリアルタイムか、音声エージェントAPIかを業務フローに合わせて決め、分数・文字数・推論モデルを分けて見積もります。
SDKの接続｜LiveKitを基盤に電話・WebRTC・ツールをつなぐ
音声エージェントSDKはLiveKitを基盤に、音声入力、文字起こし、モデルの回答生成、音声出力を処理します。ブラウザやアプリはWebRTCで接続でき、電話回線はSIPを使います。既存のテレフォニー、IVR、コンタクトセンターソフトウェアとの接続も想定されています。
業務システムを呼び出すときは、ブラウザの関数とMistral側のサーバー側ツールを分けます。電話回線ではクライアント側ツールが動きません。電話エージェントの処理はサーバー側ツールにします。顧客情報の照会や予約の確定は、認証、権限、監査ログまで含めて設計します。
リアルタイム文字起こしでは、話者分離とターン検出を同じセッションで併用できません。複数人の会話を記録するのか、発話の終了を検知して応答するのかで設定が変わります。コールセンターの要件を先に固定します。音声エージェントの評価では、認識精度に加えて、途中で話しかけたときに応答が止まるかも確認します。
音声エージェントの運用設計については、OpenAI「Presence」の人間監督の論点も参考になります。電話業務の適用範囲を考えるときは、ChatGPT「GPT-Live」の音声AI活用も比較対象になります。
ポイント
電話ではサーバー側ツール、ブラウザでは認証情報を守るセッション設計が必要です。SIP、IVR、CRMを一つずつ接続し、誤認識や処理失敗時の人間引き継ぎを試験します。
自社運用の条件｜EU APIと自社インフラを使い分ける
Voxtral 3はMistralのEUホストAPI、または自社インフラで利用できます。自社インフラなら音声処理を自社環境に置けます。会話データを保持するかどうかも、自社の運用方針に合わせられます。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動かす場合は、Mistralへの問い合わせが必要です。
EU APIを使う場合は、データ処理の場所、音声の保持、ログへのアクセス、障害時の復旧を契約と設定で確認します。自社インフラを選ぶ場合は、モデルを動かす計算資源、音声ストリーミングの遅延、監視、アップデートの責任が自社側に移ります。
最初の実証では、問い合わせ音声を匿名化します。同じ会話をバッチ文字起こし、リアルタイム文字起こし、音声エージェントの3方式で試します。認識率、応答開始までの時間、割り込み時の挙動、ツール実行の成功率を記録すると、APIと自社運用の差を比較できます。
運用開始後の評価には、AgentOpsの可観測性・評価・監視の考え方も使えます。多言語の音声エージェントを検討する企業は、Gemini 3.8 Liveのような音声対話モデルと、料金、接続方式、データ境界を同じ条件で比較します。
ポイント
APIと自社インフラの選択は、単価だけでなく、音声データの境界、運用責任、遅延、SIPやツールの提供条件を合わせて決めます。
よくある質問
Q. Voxtral 3は何言語に対応していますか？
文字起こしのVoxtral Small Transcribe 3は50言語、音声合成のVoxtral Mini TTS 3は35以上の言語と50以上の方言に対応します。
Q. Voxtral 3の料金はいくらですか？
バッチ文字起こしは1分0.0035ドル（約0.525円）、TTSは100万文字13ドル（1,950円）、音声エージェントAPIは1分0.04ドルまたは0.08ドル（6円または12円）です。
Q. Voxtral 3は自社環境に展開できますか？
MistralのEUホストAPIに加えて自社インフラへ展開できます。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動かす場合は、Mistralへの問い合わせが必要です。
Q. 電話の音声エージェントに使えますか？
SIPによる電話接続を想定しています。公式ドキュメントでは、ローンチ時点のSIP接続はエンタープライズ顧客向けで、電話エージェントの処理にはサーバー側ツールが必要です。
まとめ
Voxtral 3は、50言語の文字起こし、35以上の言語と50以上の方言に対応する音声合成、LiveKitベースの音声エージェントSDKをまとめたスイートです。音声をテキストに変換するだけでなく、ツールを呼び出して業務を完了する構成を作れます。
導入時は、バッチ・リアルタイム・エージェントAPIを分けて料金を試算し、電話かブラウザか、ターン検出か話者分離かを決めます。最後に、EUホストAPIと自社インフラのデータ境界、サーバー側ツール、SIPの提供条件を確認してから、実際の業務音声で小さく検証します。
ポイント
Voxtral 3を選ぶ判断軸は、対応言語や単価だけではありません。会話を安全に業務処理へつなげられるかを、音声品質、遅延、ツール、データ境界の4点で確認します。
関連記事
- OpenAI「Presence」を解説｜音声・チャットAIエージェントの人間監督と運用ポイント
- ChatGPT「GPT-Live」を解説｜音声AIによる電話・接客活用のポイント
- Gemini 3.8 Liveを解説｜97言語を自動で切り替える音声対話モデルと業務での使い所
- ElevenLabsの音声AIを解説｜CS・BPOにおける音声エージェント活用
- AgentOpsを解説｜AIエージェントの可観測性・評価・監視のポイント
▼開発を相談する前に読みたい無料ホワイトペーパー
・AIシステム開発の完全ガイドブック
・【2026年最新版】AI駆動開発の完全ガイドブック
会社紹介
株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。
また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。
もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。
・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>
株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。