要点まとめ

  • Voxtral 3はMistral AIによる最新の音声モデルで、文字起こし用のTranscribeと音声合成用のSpeechの2種類で構成されます。
  • 単体アプリではなく、Mistralの音声エージェントAPIを通じて利用する開発者向けの製品です。
  • Speechは35言語以上に対応し、Pro Voiceでは約30分の録音から声を複製できます。
  • 音声エージェントAPIにはLiveKitベースのSDKが付属し、リアルタイム音声の配線を自前で作らずに済みます。

基本情報

ジャンル・位置づけ音声認識・音声合成モデルと音声エージェントAPI
対応端末API経由で利用。専用アプリは未提供
料金公式サイトで要確認。発表時点で詳細未公表
対応言語Speechは35言語以上。Transcribeの対応言語は要確認
注目ポイントPro Voiceによる声の複製とLiveKitベースSDK
難易度開発者向け。APIとSDKの知識が必要
カテゴリAI・新モデル
作者・提供元Mistral AI
公式サイトmistral.ai ↗
注目度🔥 注目度 27万
最終更新

Voxtral 3は何をするモデルなのか

Voxtral 3は、Mistral AIが2026年10月20日に発表した最新世代の音声モデルです。ひとつのモデルではなく、音声をテキストに変換するTranscribeと、テキストから音声を生成するSpeechの2つで構成されています。Mistral AIは両方を最先端と位置づけており、単体のアプリとしてではなく、同社の音声エージェントAPIのエンジンとして提供する点が特徴です。

音声エージェントとは、人の話を聞き取って音声で返答するアシスタントのことです。Voxtral 3はその聞き取り役と話し役の両方を担うため、開発者は音声認識と音声合成を別々の提供元から調達する必要がなくなります。音声アシスタントを作る際に部品を寄せ集める手間を減らせるのが、この製品の狙いです。

現時点ではVoxtral 3専用のページはなく、Mistral AIの公式サイトmistral.aiが案内の起点になります。料金や利用上限の詳細は発表時点で明らかにされていないため、実際に導入を検討する際は公式サイトのAPIドキュメントで最新情報を確認してください。

  • TranscribeとSpeechの二本柱

    Transcribeは音声を文字に、Speechは文字を音声に変換します。用途に応じて片方だけを使うこともできます。

  • 音声エージェントAPIの頭脳

    単体アプリではなく、聞く・話すを組み合わせたエージェント構築の基盤として提供されます。

  • Mistral AIによる提供

    フランスのAI企業Mistral AIが開発し、同社のAPI群の一部として展開されています。

TranscribeとSpeech、それぞれの機能と仕様

Voxtral 3 Transcribeは、マイクや録音ファイルの音声をテキストに変換するモデルです。会議の文字起こしや音声コマンドの認識など、音声を入力として扱う処理を担います。Mistral AIはこのモデルを最先端と説明しており、音声エージェントがユーザーの発話を理解する入口の役割を果たします。

Voxtral 3 Speechは逆方向で、テキストから自然な音声を生成します。35言語以上に対応しており、多言語で音声アシスタントを展開したい場合に有力な選択肢になります。さらにPro Voiceという機能では、約30分の録音を用意するとその声を複製できます。エージェントに一貫した聞き慣れた声を持たせたい場面で役立ちます。

両モデルを組み合わせると、ユーザーの発話を聞き取り、内容を処理し、声で返答するという一連の流れを同じ提供元のモデルで完結できます。音声認識と音声合成で異なるAPIを使い分ける構成に比べ、連携の設計や障害時の切り分けがしやすくなる可能性があります。

  • 35言語以上の音声合成

    Speechは多言語に対応し、グローバル向けの音声インターフェースを構築しやすくなっています。

  • Pro Voiceによる声の複製

    約30分の録音から声を再現でき、ブランドボイスやパーソナルな音声エージェントに活用できます。

  • 最先端をうたう文字起こし

    TranscribeはMistral AIが最先端と位置づける認識モデルで、エージェントの入力処理を担います。

音声エージェントAPIとLiveKitベースSDKの使い方

Voxtral 3を実務で使う窓口になるのが、Mistral AIの音声エージェントAPIです。開発者はAPIを通じてTranscribeとSpeechを呼び出し、音声アシスタントの認識と応答を実装します。モデルを直接ホストするのではなく、API経由で利用する形態が基本です。

このAPIにはLiveKitをベースにしたSDKが付属します。LiveKitはリアルタイムの音声や映像を扱うためのオープンソースのフレームワークで、マイク入力や通話、音声ストリーミングの配線をゼロから作らずに済みます。音声エージェント開発で悩みがちなリアルタイム通信まわりを、SDKが肩代わりしてくれるのが利点です。

開発の流れとしては、APIキーを取得してSDKを導入し、音声の入出力をエージェントに接続するという順序になります。ただし具体的なエンドポイントや料金体系、レート制限は発表時点では明らかになっていません。実装前に公式サイトmistral.aiのドキュメントで最新の仕様を確認することが欠かせません。

  • LiveKitベースのSDK

    リアルタイム音声の接続をSDKが支援し、マイクや通話の実装負担を軽減します。

  • API経由での利用

    モデルはAPIとして呼び出す形態で、専用アプリのインストールは不要です。

  • エージェント構築に特化

    単発の文字起こしよりも、聞いて話すアシスタントの構築を想定した構成になっています。

類似サービスとの比較と導入時の注意点

音声アシスタントを作る場合、従来は音声認識、言語処理、音声合成をそれぞれ別の提供元から調達するのが一般的でした。Voxtral 3は聞く・話す・つなぐの3点をMistral AI一社でまとめて提供するため、契約や連携の管理を簡素化できる可能性があります。すでにMistral AIの言語モデルを使っているチームにとっては、音声機能を同じ生態系で追加できる点が魅力です。

一方で、Voxtral 3はあくまで開発者向けのAPI製品であり、一般ユーザーがすぐに試せるアプリではありません。音声認識や音声合成の精度、対応言語の詳細、料金体系は公式に公表された情報が限られており、導入判断には追加の検証が必要です。特にTranscribeの対応言語や、Pro Voiceの利用条件は公式サイトで確認することをおすすめします。

向いているのは、音声エージェントを自社サービスに組み込みたい開発チームや、多言語の音声インターフェースを検討している企業です。逆に、手軽に音声を試したい個人や、すぐ使えるアプリを探している人には向きません。まずは公式サイトの案内に沿ってAPIの提供状況を確認するのが現実的な第一歩です。

  • ワンストップ提供の強み

    認識・合成・接続を一社で揃えるため、複数ベンダーの管理負担を減らせます。

  • 一般向けアプリではない

    利用にはAPIとSDKの知識が必要で、専用アプリは提供されていません。

  • 未公表の仕様に注意

    料金や対応言語の詳細は限定的で、公式サイトでの確認が欠かせません。

ステップ別ガイド

  1. 公式サイトで提供状況を確認する

    まずMistral AIの公式サイトmistral.aiにアクセスし、Voxtral 3と音声エージェントAPIの案内を探します。専用ページはまだないため、APIドキュメントや発表内容を確認しましょう。

  2. APIキーを取得する

    Mistral AIの開発者向けアカウントを用意し、APIキーを発行します。料金や利用上限の条件は公式サイトの案内に従って確認してください。

  3. LiveKitベースのSDKを導入する

    音声エージェントAPIに付属するSDKをプロジェクトに追加します。LiveKitが基盤になっているため、リアルタイム音声の接続部分を自前で実装せずに済みます。

  4. TranscribeとSpeechを接続する

    マイク入力をTranscribeに渡してテキスト化し、応答をSpeechで音声に変換する流れを組みます。まずは短い会話が成立するところまで試すのがおすすめです。

  5. 声や言語を調整して検証する

    必要に応じてPro Voiceで声を複製したり、対応言語を切り替えたりして品質を確認します。公開情報が限られているため、公式ドキュメントで最新仕様を都度確認しましょう。

よくある質問

Voxtral 3は無料で使えますか？

発表時点では料金体系が明らかにされていません。API経由で提供される製品のため、利用には何らかの課金や上限が設けられる可能性があります。正確な料金はMistral AIの公式サイトで確認してください。

スマートフォンのアプリで遊べますか？

Voxtral 3はゲームではなく、開発者向けの音声モデルとAPIです。専用アプリは提供されておらず、一般ユーザーがスマートフォンから直接利用する形態ではありません。利用するにはAPIとSDKを使った開発が必要です。

Pro Voiceの声の複製には何が必要ですか？

約30分の録音を用意することで、その声を複製できるとされています。具体的な録音条件や利用許諾、対応言語などの詳細は公式サイトで確認する必要があります。声の複製は権利面の配慮も欠かせません。

Transcribeは何言語に対応していますか？

Speechが35言語以上に対応することは案内されていますが、Transcribeの対応言語の詳細は発表時点では明確ではありません。多言語での利用を検討する場合は、公式ドキュメントで対応言語を確認してください。

既存の音声アシスタント開発と何が違いますか？

音声認識、音声合成、リアルタイム接続のSDKをMistral AI一社でまとめて提供する点が特徴です。複数の提供元を組み合わせる手間を減らせる一方、精度や料金の比較には実際の検証が必要です。