詳しい解説 · 読了目安 5 分
Voxtral 3は文字起こし・推論・操作を分離した音声パイプラインを提供
Mistralの新音声モデルとLiveKitベースSDKでは、言語数、遅延、料金の対象がそれぞれ異なる。
- 当サイトの公開日
- 原典の公開日
- 出典確認日
Mistralは10月20日、文字起こしと音声合成モデル、それらを連携させる音声エージェントSDKをVoxtral 3として発表した。中心となるのは独立した段階をストリーミングで協調させる設計であり、単一モデルが通話のすべてを行うという話ではない。発表全文を確認したが、実演、品質比較、遅延は提供元の証拠であり、当サイトの実測ではない。
ニュースを聴く
この記事を読み上げるか、ニュースを続けて聴けます。
読み上げを準備中…
端末の音声
読み上げはブラウザーまたは端末が処理します。AISubHub は文章を音声 API に送りません。利用できる音声やロック画面での再生は端末によって異なります。
再開時に短い部分を繰り返す場合があります。
要点
- バッチ文字起こしは50以上の言語、音声出力は35以上の言語と50以上の方言を掲げる。両者の対応範囲は同じではない。
- Miniバッチは毎分0.0035米ドル、リアルタイム文字起こしは0.008米ドル、Smallは0.0040米ドル、合成は100万文字13米ドル。完全なエージェントには別の分単価がある。
一つの会話を交換可能な複数段階で処理
SDKはLiveKitを基盤とする。リアルタイム文字起こしが音声と発話終了を検出し、汎用言語モデルが意図を理解してツールを呼び、合成モデルが応答を発声する。Mistralは並列ストリーミングにより1秒未満のターンと割り込み時の停止を実現すると説明する。ただし全導入条件は示されず、どのネットワークや業務システムでも同じになる保証ではない。
提供元によると推論モデル、声、言語はエージェントを書き直さず変更できる。電話はSIP、ブラウザーとアプリはWebRTCで接続する。しかし通信方式は、発信者が口座を変更してよいかを決めない。本人確認とツール権限は引き続きアプリ側で設計する必要がある。
聞き取りと発声の対応範囲を混同しない
文字起こしは誰がいつ話したかを識別する話者分離と、専門語を与える文脈バイアスに対応する。Miniバッチ版は4Bパラメーター。製品名を与えると認識を助けられるが、利用者が実際にその語を話した証拠にはならない。専門用語と騒音のある実通話を組み合わせて試すべきだ。
合成では文脈に合わせた感情、速度、強調、発音の調整を行う。Pro Voiceの適応には約30分の音声を使う。これらは表現を改善するが、事実確認や声の利用許諾を代替しない。文字起こし50以上の言語から全言語で同じ方言・声が使えるとは言えず、プリセットは別に18言語と記載される。
公開比較は何を測っているのか
文字起こしの図は別々の課題を測る。FLEURSは共通対応45言語で、指定された日本語、韓国語、タイ語、中国語は文字誤り率、その他は単語誤り率を使う。言語を指定する条件と推定させる条件も異なる。話者分離は会議・電話データで話者順列を考慮した連結誤り率を使う。予約の正確さを測る指標ではない。
Voice Code Benchは英語300プロンプトと各システム2音声を使用。他の試験には発音300文、11言語377プロンプト、感情表現を含む英語237プロンプトがある。判定モデルはgemini-3.8-flashと記される。当サイトの解釈では、選択された課題と自動判定は当該手順内の比較であり、母語話者の検証や全地域で同等の品質を証明するものではない。
番号の訂正で統合全体を試せる
発表の実演では、利用者が照会番号を訂正し、代理がフランス語の紹介状を読み、予約を提案して確認後に操作する。これは成功率の測定ではない。実用上の要点は状態管理であり、途中の文字起こしだけで訂正到着前に不可逆のツール操作を実行してはいけない。
当サイトが提案する教材用テストでは、割り込み、番号変更、予約拒否、ツール遅延を意図的に入れる。期待する結果は正確な復唱と状態変更前の明示確認だ。これは当サイトの試験案で、製品の保証ではない。好ましい声と取引意図を守れることは別の検証対象になる。
通話全体の費用と実際の処理場所
音声エージェントAPIは推論にMistral Small 4を使うと毎分0.04米ドル、他の推論モデルでは0.08米ドルとされる。文字起こしや文字単位の合成料金も別掲されるが、すべての構成で全行を加算すべきとは説明されていない。予算前に含まれる機能、ツール費用、無音時間の扱いを確認する必要がある。
発表はEUホストと自社導入を強調する一方、開始案内は欧州、米国、グローバルのエンドポイントも列挙する。実際の選択が重要だ。完全なオンプレミス／プライベートクラウド構成にはMistralへの連絡が必要で、無料の重みやハードウェア費用は約束されない。データ主権は声の名前ではなく、構成と契約で確かめる。
注目する理由
多言語窓口では、聞き取り、回答、権限を確認した操作がつながるかが重要だ。適切に確認された取引、中断への対応、セッション全体の費用を測り、文字起こしの点数だけでサービスの信頼性を判断しない。
制約と提供状況
音声の試聴、API利用、独立した遅延測定は実施していない。非公開環境への導入はMistralへの相談が必要で、無料利用、データ所在の自動保証、他人の声を複製する権利は発表から得られない。
出典と根拠
原典の公開日: · 出典確認日:
AI を活用した編集記事を、記載した一次情報で確認しています。企業の主張は出典を明示し、掲載は推奨を意味しません。