Voxtral 3

概要

Voxtral 3は、50以上の言語に対応した最先端の音声エージェントSDKと音声モデルを提供。 高精度な文字起こし、自然で感情豊かな音声合成、深いツール連携を実現。 リアルタイム・低遅延で人間らしい対話が可能で、コールセンターや仮想アシスタントなどに最適。 MistralのEUホステッドAPIまたは自社インフラでのセルフデプロイが選択可能。 データ主権やセキュリティを維持しつつ、柔軟なワークフロー自動化をサポート。

Voxtral 3：次世代音声エージェントSDKと音声モデル

• 50以上の言語対応 のリアルタイム多段階会話を実現する音声エージェントSDKと音声モデル群
• 高精度な文字起こし ・自然な音声合成（感情や抑揚も調整可能）・ツール連携によるワークフロー自動化
• MistralのEUホステッドAPI または 自社インフラ でのセルフデプロイに対応、データ主権確保
• コンタクトセンター、バーチャルアシスタント、ハンズフリーコパイロットなど多様な用途に最適
• 低遅延・人間らしい対話 を実現し、機密性の高い会話も安全に処理

音声エージェントが直面する課題とVoxtral 3の解決策

• 高度な音声エージェントに必要な4要素
  • 多言語・多アクセント・多話者・割り込みにも強いリスニング性能
  • 文脈理解と深い推論能力
  • 感情や表現を伴う自然な発話
  • 複数ステップのアクション実行と外部ツール連携
• これらをリアルタイムで安定稼働させることが従来困難だった課題
• Voxtral 3は 音声認識・推論・ツール呼び出し・発話 を一体化したストリーミングパイプラインで解決

文字起こし（Voxtral Small Transcribe 3 / Mini Transcribe 3）

• 50言語以上 （EU24言語、アジア・インド系低リソース言語含む）対応
• 話者識別（ダイアリゼーション） や 文脈バイアス で精度向上
• エンドオブターン検出 により、ユーザー発話終了を即座に判断
• Whisper, Scribe v2, Gemini 3.5 Transcribe等を上回る精度
• 4BパラメータのMiniモデル は高速・低コスト（$0.0035/分）で運用可能
• 技術用語や固有名詞の強化 も可能で、ドメイン特化運用に最適

主なベンチマーク結果

• FLEURS 45/35 でのWord Error Rate（WER）で他社をリード
• ダイアリゼーション精度 も高く、複数話者環境でも強み
• キーフレーズリコール や リアルタイム文字起こし においても高評価

音声合成（Voxtral Mini TTS 3）

• 35言語・50方言以上 に対応、バッチ・リアルタイム両対応
• 感情・話速・強調 など文脈に応じた表現力
• 30分の音声サンプル でプロフェッショナルな 声のクローン作成 が可能
• $13/100万文字 で、OpenAI TTS-1やDeepgram等より低コスト
• カスタムプロンプト指示（IF） や 語彙ライブラリ で運用現場の信頼性向上

音声合成ベンチマーク

• Voice Code Bench でのコストパフォーマンスで高評価
• 発音制御 や 多言語品質 でも他社TTSを上回る結果
• 感情やブランドの声 ・ローカル方言対応で顧客体験向上

セキュリティ・データ主権

• EUホステッドAPI または 自社インフラ での運用選択が可能
• 機密性の高い会話データの保持・管理 も柔軟に設定可能

まとめ

• Voxtral 3は 多言語・多機能・高精度 の音声AI基盤
• リアルタイム性・感情表現・ドメイン適応力 で他社をリード
• データ主権・セキュリティ を重視する組織に最適な選択肢