Mistral、Voxtral 3音声モデルと音声エージェントSDKをリリース

Mistralは2026年10月20日にVoxtral 3ファミリーをリリースした。正確な多言語文字起こし、表現豊かな音声合成、聞き取り・推論・ツール呼び出し・発話を1パイプラインで扱うリアルタイム音声エージェントSDKを統合する [1]。モデルはMistralのEUホストAPIまたは顧客自身インフラ上で動作する [1]。

Mistralはどのような文字起こしモデルを公開したか？

Mistralは2026年10月20日に最大50言語対応のVoxtral 3文字起こしモデル3種をリリースした。Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3、Voxtral Mini Transcribe Realtime 3である [1]。Miniモデルは40億パラメータで1分あたり$0.0035、リアルタイム版は35言語以上を500ミリ秒未満の遅延で処理し、話者分離と文脈バイアスを備える [1]。

Voxtral Small Transcribe 3は話者分離と50言語の多言語文字起こしで最先端性能を主張し、24のEU公用語を含む。MistralのベンチマークではWhisper、Scribe v2、Gemini 3.5 Transcribeを上回った [1]。文脈バイアスによりユーザーは微調整なしで重要用語を供給できる [1]。

新TTSと音声クローニングの仕組みは？

MistralはVoxtral Mini TTS 3が35言語以上と50方言を1百万文字$13で対応すると述べた。Mistralは同モデルをVoxtral Speech 3とも呼び、会話に応じて感情・速度・強調を調整するとする [1]。業務用途では30分の音声から話者のスタイルを再現できるとMistralは述べた [1]。

音声エージェントSDKは何を実現するか？

Mistralの新音声エージェントSDKはLiveKit基盤で各ターンを1秒未満で完了するとMistralは述べた。音声入力・推論・音声出力を1つのストリーミングパイプラインで実行し、相手が割り込んだ際に発話を停止する [1]。エージェントはSIP経由で着信・発信可能で、WebRTC経由でブラウザとアプリ上で動作する [1]。

開発者はVoxtral 3をどこで実行できるか？

Voxtral 3はMistral APIの欧州・米国・グローバルエンドポイントで利用可能で、自己展開もできる [1][2]。Mistralは組織が音声処理場所と音声保持の有無を制御できると述べた [1]。Whisper、Scribe v2、Gemini 3.5 Transcribeを上回るとするMistralのベンチマークチャートは同社独自評価である [1]。

Our read

意見: Voxtral 3は音声インターフェースと信頼性の高いエージェントワークフローの間隙を埋めるが、独立したベンチマークがMistralの内部数値に取って代わるかどうかで真価が問われる。

What we could not verify

• Mistralのチャートに示された単語誤り率と話者分離数値の独立確認。
• 本番負荷下におけるリアルタイムモデルの正確な遅延分布。
• Voxtral 3重みの公開状況。Mistral投稿はAPIアクセスと自己展開を記述する。
• 30分Pro Voice適応品質の第三者評価。