Mistral AI、リアルタイム音声エージェント向け「Voxtral 3」を発表

何が起きたか

フランスのAI企業Mistral AIは2026年10月20日、リアルタイムの音声エージェント向けモデル群「Voxtral 3」を発表しました。音声認識(STT)、音声合成(TTS)、音声エージェント構築用SDKを一体化したスタックで、Mistral のEUホスト型APIを使うか、企業が自社インフラ上にセルフホストする形で利用できます。

なぜ重要か

Voxtral 3は、人の発話を聞き取り、内容を判断し、必要に応じて外部システムを呼び出した上で、声で応答するという一連の流れを、1つのリアルタイム・ストリーミング基盤でつなぐ点が特徴です。公式発表では、予約の手配や紹介状の照会といった業務システムへの問い合わせを、会話の途中で関数呼び出しやウェブ検索を使って処理する例が示されています。コールセンターや窓口業務の音声対応をAIに任せたい企業にとって、認識・合成・エージェント制御を個別に組み合わせる手間が減ることになります。

背景

Voxtral 3には、音声認識用の「Voxtral Small/Mini Transcribe 3」(50以上の言語に対応、うちEUの公用24言語を含む)、音声合成用の「Voxtral Speech 3」(35以上の言語、50以上の地域方言に対応し、感情表現に適応する機能つき)、そして音声対話基盤LiveKit上に構築したエージェントSDKが含まれます。価格は音声認識が1分あたり0.0035〜0.008ドル(モデルと処理方式による)、音声合成が100万文字あたり13ドルです。APIは欧州のほか米国とグローバルのエンドポイントでも提供されます。自社インフラでの運用とEUホストAPIを選べる構成は、データを欧州域内や自社管理下に置きたい企業向けの訴求とみられます。

日本のビジネスへの示唆

• コールセンターや予約受付など音声対応業務のAI化を検討する企業にとって、認識・合成・エージェント制御をまとめて提供する選択肢が増えたことは注視に値します。
• データを自社インフラや特定地域内に留めたいという要件がある場合、セルフホストとEUホストAPIを選べる設計は、自社の要件整理の参考になりそうです。
• 日本語(JA)を含む50以上の言語に対応しており、導入を検討する際はMistral の公式ドキュメントで自社が必要とする言語の対応状況を確認できます。