Mistral AIが「Voxtral 3」発表、50言語対応の音声モデルとエージェント開発キットを提供開始

要点

• 仏Mistral AIは、50以上の言語に対応する音声モデル群とリアルタイム音声エージェント開発キット「Voxtral 3」を発表した。

• 音声認識モデル「Voxtral Small Transcribe 3」は、多言語文字起こしや話者分離のベンチマークにおいて競合モデルを上回る最高水準の精度を記録した。

• 音声合成モデル「Voxtral Mini TTS 3」は文脈に合わせて感情やペースを変化させ、30分の音声から話者を再現する「Pro Voice」も提供される。

• 音声認識、推論、外部ツール連携、音声合成を統合したSDKにより、電話やWeb越しの自律的な業務代行を実現する。

• EU域内ホストのAPIと自社インフラへの直接導入（セルフホスト）に対応し、企業のデータ主権を保護する。

• フランスのAI企業Mistral AIは、多言語対応の音声処理モデル群および対話型エージェント開発キット「Voxtral 3」を発表した。音声認識、推論、外部ツール実行、音声合成を単一のストリーミングパイプラインに集約し、50以上の言語で複雑な業務を対話形式で遂行できる環境を提供する。同社のEU域内ホストAPI、または自社インフラへの自己展開（セルフデプロイ）形式を通じて即日利用可能となっている。

4つの処理を一体化する音声エージェントSDK

音声認識や音声合成の要素技術は進化を続けているものの、利用者の発話を解釈しながら業務システムと連携し、自然に応答する音声エージェントの実装には依然として高い障壁が存在していた。実用的なエージェントには、「雑音や割り込みに耐える正確な聞き取り」「文脈を踏まえた深い推論」「感情を交えた自然な発話」「外部ツールを介した複数段階のアクション実行」の4要素を、リアルタイムかつ同時に機能させることが求められるためだ。

Voxtral 3の「Voice Agent SDK」は、これら一連の処理を単一のストリーミングパイプラインとして統合した。Webブラウザや電話回線を通じた通話中に、背後で情報検索やシステム操作を自律的に行い、タスクを完結できる。コンタクトセンターの自動応対や社内サービスデスク、バーチャルアシスタント、ハンズフリーのコパイロット（作業支援ツール）などの用途を想定しているという。

公開されたデモでは、患者からフランス語の紹介状番号を聞き取ったエージェントが、外部ツールで処方箋の内容を取得・確認した上で、診察予約システムを実行して英語で予約完了までを案内する一連の流れが実演された。

50言語に対応する音声認識「Voxtral Transcribe 3」

音声認識（STT：音声データをテキストへ変換する技術）を担う「Voxtral Transcribe 3」には、高性能版「Small」と、40億（4B）パラメータで構成される軽量版「Mini」が用意された。

両モデルは欧州連合（EU）の公用語24言語を含む50言語に対応し、リソースの少ないアジア系やインド系の言語もカバーする。複数人の会話で誰が発言したかを識別するダイアライゼーション（話者分離）や、話者の発話終了を即座に捉えて応答の遅延を抑える検知機能を標準で備えている。

さらに、業界用語や人名を事前にプロンプトとして渡す「コンテキストバイアス」に対応した。追加のファインチューニング（特定分野向けの追加学習）を行わずに、専門用語の認識精度を大幅に引き上げられる。

公開ベンチマーク「FLEURS」を用いた45言語の文字誤り率（WER）評価において、Smallモデルは「Whisper」「Scribe v2」「Gemini 3.5 Transcribe」を上回る最高水準のスコアを記録したと説明されている。なお、Miniモデルは1分あたり0.0035ドルという低価格で高速な文字起こしを提供する。

文脈適応型TTSと30分で再現する「Pro Voice」

音声合成（TTS：テキストから音声を生成する技術）には、「Voxtral Mini TTS 3」が投入された。35以上の言語と50以上の方言・アクセントをサポートする。

同モデルは対話の文脈を解釈し、感情や発話スピード、強調箇所を動的に変化させる。機械的な読み上げを避け、対話の流れに応じた自然な発話を可能にした。

あわせて、プロフェッショナル用途向けに「Pro Voice」機能が提供される。従来の簡易的な音声クローニング（声の特徴を真似る技術）とは異なり、わずか30分の音声データを用意するだけで、話者固有の個性や感情表現の幅、話法スタイルを抽出し、複数言語にまたがって忠実に再現できるとしている。

データ主権に配慮した導入形態

Voxtral 3は、企業の機密保護やデータ主権（自社データを外部の管理下に置かず自ら統制する権利）を担保できる設計が特徴である。

利用形態は、Mistral AIがEU域内でホストするクラウドAPIのほか、自社のオンプレミス（自社保有設備）やプライベートインフラへ直接展開するセルフデプロイ形式に対応する。音声データが処理される地理的場所やデータの保持方針を企業側が完全に制御できるため、厳格なデータ管理が求められる組織でも運用可能だとしている。Voxtral 3の各種機能はすでに利用可能となっている。