Voxtral 3とは
Voxtral 3とは、フランスのMistral AIが2026年10月20日に提供を始めた、文字起こしと音声合成のAIモデル群です。録音を後から文字にする、会話のそばで字幕を出す、文章を声で読み上げるといった仕事ごとに選択肢があるシリーズ。2026年11月時点の公式案内では公開プレビューです。
会議の録音と、今つながっている電話では何を選ぶ?
会議の録音を見直せる形にするなら、録音用のVoxtral Mini Transcribe 3やVoxtral Small Transcribe 3。誰がいつ話したかを区別しながら、後から必要な場面へ戻りやすくなるでしょう。話者の区別は、声の違いから発言を振り分ける機能で、名簿から氏名を特定することとは別の処理です。
通話の文字をその場で出すなら、リアルタイム用のVoxtral Mini Transcribe Realtime 3を選びます。公式の言語一覧では、録音の文字起こし(53言語)に日本語が含まれ、リアルタイム用も開発元の評価に日本語が入っています。実際の窓口で試すなら、代表的な話し方や回線の音質を含む素材で違いを見たいところ。
費用は2026年11月時点のMistral APIで、録音の文字起こしがVoxtral Mini Transcribe 3で1分あたり約0.0035米ドル、Voxtral Small Transcribe 3で約0.004米ドル、リアルタイムの文字起こしが約0.008米ドル。読み上げのVoxtral Mini TTS 3は100万文字あたり約13米ドルです。1時間の会議を録音用のMiniで文字にしても、約0.2米ドルという計算になります。
自動で返事をする仕組みはどう作る?
音声を聞いて返事をするシステムでは、聞いた内容を文字にし、応答を考え、文章を音声に戻す工程が必要です。読み上げ用モデルに加え、Mistralはこれらの工程をつなぐVoice Agentsも同時に案内しました。発言を文字にする機能と、予約を確定する機能は別なので、後者には予約用のシステムとの連携が要ります。
Topic社内の言い回しを先に渡しておく
Voxtral 3に関するよくある質問
- 話している途中に返答が割り込まない仕組みはありますか?
- リアルタイムの文字起こしモデルには、話し声と発言の内容を手がかりに、発話が終わったかを見分ける機能があります。
- 以前のVoxtral TTSとモデルを入れ替えるだけで使えますか?
- 公式ドキュメントではVoxtral TTS 3に専用のモデルIDを案内しています。すでに組み込んでいる場合は、テスト環境で既存の読み上げや応答の条件を試してから切り替えると確実です。