Mistral AIが、聞く・考える・操作する・話すを1本のリアルタイム処理にまとめた音声エージェント基盤「Voxtral 3」を発表しました。電話窓口や社内問い合わせの音声自動化を、日本語を含む多言語で試せる選択肢が増えます。
この記事は、Mistral AIが2026年10月20日に公開した公式発表をもとに、2026年10月22日時点の情報で書いています。
何が発表されたか
公式発表の要点は次のとおりです。
- 文字起こしモデル群: 「Voxtral Small Transcribe 3」「Voxtral Mini Transcribe 3」など。50以上の言語に対応し、誰が話したかの判別（話者分離）や、専門用語を渡して精度を上げる機能（コンテキストバイアス）を備えます。
- リアルタイム文字起こし: 「Voxtral Mini Transcribe Realtime 3」は、500ミリ秒未満の遅延をうたいます。話し終わりの検出にも対応します。
- 音声合成モデル: 「Voxtral Mini TTS 3」は、感情・話す速さ・強調を文脈に合わせて変えられます。35以上の言語と50以上の方言に対応します。
- Voice Agent SDK: LiveKitを土台に、音声入力・推論・音声出力を1つの流れで動かします。電話（SIP）やブラウザ・アプリ（WebRTC）で使え、1回のやり取りは1秒未満で完了するとされています。
- Pro Voice: 約30分の音声から、話し手の声の特徴や話し方を再現する機能です。
提供方法と料金は次のとおりです。
| モデル・機能 | 料金（公式の表記） |
|---|---|
| Voxtral Mini Transcribe 3（バッチ） | $0.0035/分 |
| Voxtral Small Transcribe 3 | $0.0040/分 |
| Voxtral Mini Transcribe Realtime 3 | $0.008/分 |
| Voxtral Mini TTS 3 | $13/100万文字 |
| 音声エージェントAPI（Mistral Small 4で推論） | $0.04/分 |
| 音声エージェントAPI（より大きなモデル） | $0.08/分 |
- 提供開始は発表日の「本日」で、Mistral APIの欧州・米国・グローバルのエンドポイントから使えます。Studioのプレイグラウンドで試せます。
- 自社環境（オンプレミスや専用クラウド）での運用は、同社への問い合わせが案内されています。条件は発表されていません。
- 精度の比較は同社が示した評価結果です。Whisperなどを上回るとされていますが、第三者の検証は本ページでは確認できません。
- 日本語は、文字起こしの評価対象言語と音声合成の言語一覧に載っています。一方、あらかじめ用意された音声（ボイスプリセット）の18言語には日本語が入っていません。
日本の企業・学校でどう使えるか
ここからは、TERRAISEの考えです。
業務・授業での使いどころ
- コールセンター・総務の一次受付: 入力は電話の音声、処理は本人確認や予約状況の照会、出力は音声での案内と予約確定です。発表のデモも、紹介状の番号から予約を取る流れでした。
- 会議・面談の記録: 入力は複数人の会話音声、処理は話者分離と専門用語の補正、出力は発言者つきの文字起こしです。議事録の下書きを人が確認する形が現実的です。
- 学校の窓口・授業: 校務では、保護者向けの問い合わせ受付の下書き作りが考えられます。授業では、英会話の練習相手として、感情をつけた音声で応答させる使い方があります。
始め方
- 情報システム担当または現場の管理職が、対象を1業務に絞ります。例は、よくある問い合わせの上位3件です。
- 個人情報を含まないサンプル音声で、Studioのプレイグラウンドで文字起こしと音声合成を試します。
- 自社の専門用語や部署名をコンテキストバイアスに渡し、日本語の聞き取り精度を、自社の音声で確認します。
- 通話時間の見込みを、分単価（上の表）に当てはめて、試算します。
- 開発チームがSDKで小さな試作を作り、人が最終確認する運用で、限られた件数から試します。
注意点
- 日本語の品質: 評価の多くは同社の結果です。日本語の方言や固有名詞は、自社の音声で確かめてください。ボイスプリセットに日本語が無い点も確認が必要です。
- 対応言語数の表記: リアルタイム文字起こしは、ページ内で「35以上」と「40以上」の2通りの記載があります。利用前に公式の最新情報を見てください。
- データの扱い: 通話音声には個人情報が含まれます。入力してよい範囲、録音の保存の可否、同意の取り方を、社内ルールで先に決めます。公式は、音声を保持するかを利用者が制御できると説明しています。保持の初期設定は、発表では確認できません。
- 声の再現: Pro Voiceなどで特定の人の声を再現する場合は、本人の同意を得てください。
- 料金: 表示はドルです。為替や税の扱い、無料枠は、発表されていません。
TERRAISEに相談する
音声エージェントは、どの問い合わせを任せ、どこから人に引き継ぐかを決める作業が肝心です。60分の無料相談で、自社・自校の業務への当てはめ方を一緒に整理できます。通話音声を社外に出せない場合は、ローカルLLM導入のページも参考になります。教育機関の方は教育機関向けAI教育もご覧ください。
出典（2026年10月22日 07:06 確認）
製品名・機能・提供範囲・料金は変わることがあります。導入前に必ず公式情報をご確認ください。
Supervised by — 監修
株式会社TERRAISE 代表取締役CEO 舟橋 遼亮2025年2月に株式会社TERRAISEを創業。お茶の水女子大学 外部講師、Google AI Student Ambassador（2025年）を務める。上場企業や全国の高校などで、AIの活用を実際に指導している。