Voxtral 3（ボックストラル・スリー）は、Mistral AIが発表した音声AIモデル群と音声エージェントSDKで、聞く・考える・ツールを呼ぶ・話すをひとつのリアルタイムパイプラインに統合するものです。
室谷代表取締役Voxtral 3は、Mistral AIが発表した音声AIのモデル群と音声エージェントSDKですね。文字起こし、音声合成、声の複製、そしてSDKという4本柱になっています。
テキトー教師DotAI 認定講師単に音声モデルを1個出したという話じゃないんですよ。聞く・理解する・自然に話す・多段階で行動する、この4つを同時にリアルタイムで成立させるのが難しいという問題意識が公式ページに明記されていて、そこに丸ごと切り込んできた発表なんです。
Voxtral 3とは？Mistral AIが発表した音声AIモデル群の全体像
Voxtral 3を構成する4つの要素
Voxtral Small Transcribe 3
音声認識を担うモデル
Voxtral Mini TTS 3
音声合成を担うモデル
Pro Voice
声を複製する機能
音声エージェントSDK
LiveKit上に構築されたSDK
室谷代表取締役まず全体像を整理したいんですけど、Voxtral 3は単体のモデル名ではなくて、ファミリー名なんですよね。中身は音声認識の「Voxtral Small Transcribe 3」、音声合成の「Voxtral Mini TTS 3」、声を複製する「Pro Voice」、そしてLiveKit上に構築した音声エージェントSDKの4つです。
テキトー教師DotAI 認定講師そこは受講生さんがよく混同するポイントで、Voxtral 3はモデル群の総称なんです。公式ページには、聞くこと・考えること・ツール呼び出し・話すことを単一のリアルタイムストリーミングパイプラインにまとめると書かれています。
室谷代表取締役Mistral AIは2025年7月に初代Voxtralを出していて、これは音声理解モデルでApache 2.0だったんですね。2026年3月には初のTTSであるVoxtral TTSを投入している。
今回のVoxtral 3は、それらを単体モデルからエンドツーエンドの音声エージェントへ統合する位置づけだと読めます。
今回のVoxtral 3は、それらを単体モデルからエンドツーエンドの音声エージェントへ統合する位置づけだと読めます。
テキトー教師DotAI 認定講師初代Voxtralのときの課題が「オープンソースASRは精度が低く、クローズドAPIは高コストでデプロイ制御が効かない」という二択だったんですよ。今回はその二択を、EUホストAPIか自己デプロイという提供形態で崩しにきているのが面白いところです。
室谷代表取締役想定ユースケースも公式ページに書かれていて、コンタクトセンター、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。要するに電話やWebでの実業務ですよね。
Voxtral 3でできること——文字起こし・感情豊かな音声合成・声の複製
Voxtral 3の3つの機能
Voxtral Small Transcribe 3(文字起こし)
50以上の言語に対応。多言語文字起こし・話者分離・コンテキストバイアスで最先端とMistral AIが主張。24のEU公用語に加えリソースの少ないアジア系・インド系言語も含む。発話終了検出は音響情報と意味情報の両方で予測し、途中で遮られた場合の誤切断も抑える。
Voxtral Mini TTS 3(音声合成)
35以上の言語と50以上の方言で表現力が最先端と主張。文脈から感情・速度・強調を暗黙に読み取る指示追従と、[emotion=sad][pace=slow]のようなタグで行単位に明示制御する指示追従の両方を備える。プロンプトの文脈を読んで感情や話し方を決めるため、指示を毎回書かなくてよい。
Pro Voice(声の複製)
30分の音声を録音すると、対応するすべての言語で極めて高い忠実度で声を複製。話者の特徴的なキャラクター・感情の幅・話し方のスタイルを言語をまたいで再現する。単に声質をコピーするのではなく話し方ごと持っていく発想。
室谷代表取締役ここから機能を掘っていきます。まず文字起こし側、Voxtral Small Transcribe 3は50以上の言語に対応していて、多言語の文字起こし、話者分離、コンテキストバイアスで最先端だとMistral AIは主張しています。
テキトー教師DotAI 認定講師話者分離は「誰がいつ話したか」を識別する機能、コンテキストバイアスは専門用語や固有名詞を事前に与えて認識精度を上げる仕組みです。公式ページには、24のEU公用語に加えて、リソースの少ないアジア系・インド系の言語も含まれると書かれています。
室谷代表取締役地味に効くのが発話終了検出ですよね。相手が話し終えたタイミングを判定する機能で、これがないとエージェントの応答がワンテンポ遅れる。
公式ページには、音響情報と意味情報の両方を使って発話終了を予測し、ユーザーが途中で遮られた場合の誤切断も抑えるとあります。
公式ページには、音響情報と意味情報の両方を使って発話終了を予測し、ユーザーが途中で遮られた場合の誤切断も抑えるとあります。
テキトー教師DotAI 認定講師音声合成側のVoxtral Mini TTS 3は、35以上の言語と50以上の方言で表現力が最先端だと主張されています。文脈から感情・速度・強調を暗黙に読み取る指示追従と、
[emotion=sad][pace=slow]のようなタグで行単位に明示制御する指示追従の両方を備えているのが特徴です。室谷代表取締役声の複製がPro Voiceですね。30分の音声を録音すると、対応するすべての言語で極めて高い忠実度で声を複製できると。
MYUUUでも音声コンテンツに関わるので、この「基本のボイスクローンでは足りない業務用途」という打ち出し方は気になります。
MYUUUでも音声コンテンツに関わるので、この「基本のボイスクローンでは足りない業務用途」という打ち出し方は気になります。
テキトー教師DotAI 認定講師公式ページでは、Pro Voiceが話者の特徴的なキャラクター、感情の幅、話し方のスタイルを言語をまたいで再現すると説明されています。単に声質をコピーするのではなく、話し方ごと持っていく発想なんですよね。
室谷代表取締役あと音声合成で見逃せないのが、プロンプトの文脈を読んで感情や話し方を決めるという点です。公式ページの例だと、同じ文章でも文脈次第で自然な抑揚が変わる。
これは指示を毎回書かなくていいので、実装がかなり楽になります。
これは指示を毎回書かなくていいので、実装がかなり楽になります。
Voxtral Small Transcribe 3とVoxtral Mini TTS 3の性能とベンチマーク
まとめ
Voxtral Small Transcribe 3 / Mini TTS 3 の性能・ベンチマーク要点
- Transcribe 3はWhisper、Scribe v2、Gemini 3.5 Transcribeを上回るとMistral AIが主張。Mini版は4Bパラメータ、$0.0035/分
- ベンチマーク前提: FLEURS 45言語の共通集合でマクロ平均WER、日本語・韓国語・タイ語・中国語はCER。言語指定あり(Forced)と自動検出(Inferred)の両方を提示
- 話者分離はcpWERで評価。AMI-IHM、AMI-SDM、Switchboard、Switchboard CallHome、AISHELL-4の公開ベンチマークを使用し、AMIとAISHELLはAPIベースライン互換のため30分版
- コンテキストバイアスはEarnings-22でキーフレーズ再現率を測定。0〜100個のランダム妨害語を混ぜ、コンテキストあり/なしの差分で専門用語recallの向上を評価
- Voxtral Realtime Transcribe 3は35以上の言語で500ms未満のレイテンシ、話者分離とコンテキストバイアスにも対応
- Voxtral Mini Transcribe 3はオフラインのベースライン、それ以外はリアルタイムという位置づけで用途により選択
- Voxtral Mini TTS 3.0はバッチとリアルタイム両方で提供、35以上の言語と50以上の方言、$13/1M文字。OpenAI TTS-1、Deepgram、ElevenLabs Flash、Gemini Flashより低コストと主張
- 品質と価格の散布図は4種類(Voice Code Bench、発音制御、多言語、表現力の英語評価)でいずれも左上が良いプロット
- 発音制御は珍しい単語・造語を含む300文で意図した発音になる割合を測定。Voice Code BenchはBeSimple AI製で数字と固有名詞に焦点、gemini-3.8-flashをジャッジに使用
- Voxtral 1の「21,000pm」「10 over 10」がVoxtral 3では「21pm on October 10th」と自然な読みに改善
室谷代表取締役数字の話を整理しましょう。まずTranscribe 3は、Mistral AIの主張としてWhisper、Scribe v2、Gemini 3.5 Transcribeを上回るとされています。
Mini版は4Bパラメータで、価格は$0.0035/分です。
Mini版は4Bパラメータで、価格は$0.0035/分です。
テキトー教師DotAI 認定講師ベンチマークの前提も公式ページに細かく書かれていて、FLEURSの45言語の共通集合でのマクロ平均WER、日本語・韓国語・タイ語・中国語はCERで測ると明記されています。言語指定ありのForcedと自動検出のInferredの両方が示されているのも実務的です。
室谷代表取締役話者分離はcpWERという指標で、AMI-IHM、AMI-SDM、Switchboard、Switchboard CallHome、AISHELL-4の公開ベンチマークを使っている。APIベースラインとの互換性のためにAMIとAISHELLは30分版を使うと書かれています。
テキトー教師DotAI 認定講師コンテキストバイアスはEarnings-22でキーフレーズ再現率を測っていて、0〜100個のランダムな妨害語を混ぜた状態で、コンテキストあり・なしの差分を見ているんですよ。専門用語の recall がどれだけ上がるか、という実務直結の評価です。
室谷代表取締役リアルタイム系も押さえておきたいですね。Voxtral Realtime Transcribe 3は35以上の言語で500ms未満のレイテンシを実現し、話者分離とコンテキストバイアスにも対応すると。
テキトー教師DotAI 認定講師ここは受講生さんが混乱しやすいので整理すると、Voxtral Mini Transcribe 3はオフラインのベースラインで、それ以外がリアルタイムという位置づけです。用途で選ぶ必要があります。
室谷代表取締役音声合成側の数字も整理すると、Voxtral Mini TTS 3.0はバッチとリアルタイムの両方で提供され、35以上の言語と50以上の方言で表現力と指示追従が最先端だと主張されています。価格は$13/1M文字で、OpenAI TTS-1、Deepgram、ElevenLabs Flash、Gemini Flashより低コストだとMistral AIは主張しています。
テキトー教師DotAI 認定講師公式ページには品質と価格の散布図が4種類あって、Voice Code Bench、発音制御、多言語、表現力の英語評価が示されています。いずれも「左上が良い」というプロットで、Mistralのモデルが左上に位置するという主張の見せ方です。
室谷代表取締役発音制御の評価が面白くて、珍しい単語や造語を含む300文で、意図した発音になっている割合を測っている。固有名詞や数字の読み間違いは現場で一番困るところなので、そこを評価軸にしているのは分かってますね。
テキトー教師DotAI 認定講師数字と固有名詞に焦点を当てたVoice Code BenchはBeSimple AI製で、エンタープライズのカスタマーサポートで失敗しがちな状態を対象にしていると明記されています。評価はgemini-3.8-flashをジャッジに使ったと書かれています。
室谷代表取締役公式ページの例で分かりやすいのが、メールアドレスや便名・価格・日付の読み上げですね。Voxtral 1では「21,000pm」「10 over 10」のような読み方をしていたのが、Voxtral 3では「21pm on October 10th」と自然になっている。
こういう細部が実運用では効きます。
こういう細部が実運用では効きます。
Voxtral 3の使い方・始め方——APIと音声エージェントSDKの仕組み
室谷代表取締役使い方の話に移りましょう。公式ページには「Try Voxtral now」と「Learn more」の導線があって、MistralのEUホストAPIか自己デプロイの2択です。
テキトー教師DotAI 認定講師SDKの仕組みが公式スレッドで簡潔に説明されていて、Transcribeが聞き、推論モデルが考えてツールを呼び、Speechが応答する。これがひとつのパイプラインとしてストリーミングされる構造です。
室谷代表取締役公式ページのデモが分かりやすいんですよ。フランス語の紹介状を読み取って、皮膚科の予約を取るという流れで、エージェントがツール呼び出しで紹介状の内容を取得し、予約枠を確認して予約を確定し、英語でテキストを送るところまでやる。
聞く・考える・ツール・話すが全部つながっている例です。
聞く・考える・ツール・話すが全部つながっている例です。
テキトー教師DotAI 認定講師ドキュメント側も整理されていて、目的別にモデルの選び方が示されています。録音や会議の文字起こしならオフラインの文字起こし、低レイテンシのライブ音声ならリアルタイム、自然な音声生成や声の複製ならTTS、聞いて考えて話すエージェントならリアルタイムとLLMとTTSの組み合わせ、という案内です。
室谷代表取締役APIキーの管理はどうするのかという話になりがちなんですけど、そういう実装まわりの設定はCursor APIキーの完全ガイド【2026年最新】：BYOK設定方法・料金・対応プロバイダー・よくあるエラー対処まで徹底解説で詳しく解説しているので、API連携を組む人は参考になると思います。
テキトー教師DotAI 認定講師音声エージェントを組むときに見落としがちなのが、ターン終了の判定とレイテンシのバランスなんですよ。Transcribe 3が発話終了を検出し、TTS側も低遅延で応答する設計になっているので、そこを自前で作り込まなくていいのは大きいです。
料金と提供形態——日本から使えるか、自己デプロイとデータ主権
室谷代表取締役料金と提供形態を整理します。Transcribe 3のMini版が$0.0035/分、TTS 3が$13/1M文字。
提供はMistralのEUホストAPIまたは自己デプロイです。
提供はMistralのEUホストAPIまたは自己デプロイです。
テキトー教師DotAI 認定講師公式ページには、音声をどこで処理するか、データをどう扱うか、会話を保持するかどうかを組織が制御できると書かれています。データ主権を重視する企業向けの設計なんですよね。
室谷代表取締役ここで注意点なんですけど、日本から使えるかという提供地域・対象国についての記載は、今回の資料には見当たりません。提供地域は公式に明示されていない、というのが正確なところです。
テキトー教師DotAI 認定講師そこは推測で埋めないほうがいいですね。自己デプロイが選べるということは、自社インフラに置く選択肢があるという説明であって、日本での提供可否を意味するわけではないですから。
室谷代表取締役ライセンスについても整理しておきたいです。今回の資料でライセンスが明記されているのは、2026年3月のVoxtral TTSが参照音声付きのモデルをHugging FaceでCC BY NC 4.0として公開している点です。
Voxtral 3の各モデルのライセンスについては、今回の資料には書かれていません。
Voxtral 3の各モデルのライセンスについては、今回の資料には書かれていません。
テキトー教師DotAI 認定講師初代Voxtralは24Bと3Bの2サイズでApache 2.0、と当時の公式ページにありますが、これは2025年7月の発表時点の話です。Voxtral 3にそのまま当てはめるのは早計なので、確認が必要です。
室谷代表取締役オープンウェイトかどうかも、今回の資料ではVoxtral 3について明記されていないんですよね。ここは続報を待つしかない。
なぜVoxtral 3が音声エージェントの実用化を変えるのか
室谷代表取締役なぜこれが実用化を変えるのか。公式ページの問題設定が明快で、信頼できる音声エージェントには4つの能力が同時に必要だと。
多言語・アクセント・話者・割り込みをまたいで正確に聞く、文脈を深く推論する、感情と表現をもって自然に話す、接続されたシステムで多段階の行動を取る。
多言語・アクセント・話者・割り込みをまたいで正確に聞く、文脈を深く推論する、感情と表現をもって自然に話す、接続されたシステムで多段階の行動を取る。
テキトー教師DotAI 認定講師従来はSTT・LLM・TTSを別々に組み合わせる必要があって、レイテンシや途切れ、感情表現の乏しさが壁だったんですよ。それを単一のストリーミングパイプラインにまとめたのが今回の主張です。
室谷代表取締役実務目線だと、コンテキストバイアスでファインチューニングなしに専門用語へ対応できる点が大きいです。公式ページにも、ドメイン固有の語彙を本番で使うためにファインチューニングは不要と書かれています。
テキトー教師DotAI 認定講師あとPro Voiceの30分という現実的なサンプル量もポイントです。プロのナレーターを何時間も拘束せずに、ブランドの声を作れる。
これは制作現場のコスト構造を変えますよ。
これは制作現場のコスト構造を変えますよ。
室谷代表取締役コンタクトセンター、金融、製造、公共、コンプライアンス、サプライチェーン、自動車、販売・マーケティング、リアルタイム翻訳と、公式ページで用途が並んでいますけど、どれも「声で完結する業務」ですよね。画面を見られない現場ほど価値が出ます。
テキトー教師DotAI 認定講師教育の現場でも、多言語の受講生さんへの案内や、読み上げの自然さは課題だったんですよ。感情や間合いを文脈から読むTTSは、教材の音声化と相性がいいと思います。
室谷代表取締役ただ、現時点で公開されている情報はMistral AIの主張ベースのベンチマークが中心です。実際の精度は自社のデータで確かめる必要があります。
そこは冷静に見たほうがいいですね。
そこは冷静に見たほうがいいですね。
よくある質問
室谷代表取締役ここからはよく聞かれる点を整理していきます。まずVoxtral 3とは何か、という基本から。
テキトー教師DotAI 認定講師Voxtral 3はMistral AIが発表した音声AIモデル群と音声エージェントSDKの総称です。Voxtral Small Transcribe 3、Voxtral Mini TTS 3、Pro Voice、音声エージェントSDKの4本柱で構成されています。
室谷代表取締役Voxtral 3のモデルサイズは？という質問。Transcribe 3のMini版が4Bパラメータと公式ページに明記されています。
TTS 3のパラメータ数については今回の資料に記載がありません。
TTS 3のパラメータ数については今回の資料に記載がありません。
テキトー教師DotAI 認定講師対応言語は、文字起こしが50以上、音声合成が35以上の言語と50以上の方言です。リアルタイム文字起こしは35以上の言語で500ms未満のレイテンシとされています。
室谷代表取締役料金は、Transcribe 3のMini版が$0.0035/分、TTS 3が$13/1M文字です。
テキトー教師DotAI 認定講師日本から使えるかについては、提供地域に関する記載が資料にないため、現時点では明らかにされていません。提供形態はEUホストAPIか自己デプロイです。
室谷代表取締役オープンウェイトやライセンスは？という点も、Voxtral 3については今回の資料に明記がありません。過去のVoxtral TTSがCC BY NC 4.0で参照音声付きモデルを公開している、というのが確認できる情報です。
テキトー教師DotAI 認定講師声の複製はPro Voiceで、30分の音声を録音すると対応するすべての言語で高い忠実度で複製できるとされています。
室谷代表取締役音声エージェントSDKはLiveKit上に構築されていて、Transcribeが聞き、推論モデルが考えてツールを呼び、Speechが応答する構成です。既存のシステムとつなぐ前提で設計されているのがポイントですね。
