Mistral Voxtral 3が音声エージェントに対応、1分あたり0.0035ドルから

Mistral AIは2026年10月20日、Voxtral 3をリリースしました。聞いて、考えて、話して、行動する音声エージェントを作るための音声モデル群です。文字起こしは1分あたり0.0035ドルから、完全な音声エージェントは1分あたり0.04ドルからです。Crypto Briefingによると、Mistralは、これらのモデルがOpenAIとElevenLabsのクローズドな競合モデルを上回るとも主張しています。

Voxtral 3の中身

Voxtral 3は、音声の両方向をカバーします。音声認識（speech-to-text）モデルは音声をテキストに変換し、音声合成（text-to-speech）モデルはテキストを再び声に変えます。音声エージェントAPIは、これらを言語モデルにつなぎます。これにより、電話をかけた人が、応答して操作も行うソフトウェアと話せるようになります。

Mistralの発表には、次のモデルと料金が掲載されています。

モデル	機能	料金
Voxtral Mini Transcribe 3	バッチ処理の音声認識	1分あたり0.0035ドル
Voxtral Small Transcribe 3	話者ラベル付きの音声認識	1分あたり0.0040ドル
Voxtral Mini Transcribe Realtime 3	リアルタイムの音声認識	1分あたり0.008ドル
Voxtral Speech 3	音声合成	100万文字あたり13ドル
音声エージェントAPI（Mistral Small 4使用）	完全な音声エージェント	1分あたり0.04ドル
音声エージェントAPI（他のモデル使用）	完全な音声エージェント	1分あたり0.08ドル

発表では、この音声モデルがVoxtral Mini TTS 3など、いくつかの名前で呼ばれています。文字起こしは、欧州連合の24の公用語を含む50以上の言語に対応しています。音声モデルは35以上の言語と50の方言に対応し、18言語で既製の声を用意しています。Pro Voiceというオプションでは、30分間の録音音声からカスタムの声を作れます。

音声エージェントの仕組み

エージェントキットは、ライブ音声・映像向けのオープンソースツールキットであるLiveKitをベースにしています。電話回線にはSIPで、ブラウザーとアプリにはWebRTCで接続します。Mistralによると、各段階は別々のモデルです。そのため、チームはエージェントを書き直さずに、言語モデル、声、言語を入れ替えられます。

売りは速度です。Mistralによると、リアルタイムの文字起こしは500ミリ秒未満で動作し、エージェントの1回の応答は1秒未満で完了します。The Decoderによると、エージェントは会話の途中で外部システムを呼び出せます。予約の受付や請求書の確認といった作業に使えます。

モデルはMistralのAPIで動き、エンドポイントは欧州、米国、グローバルにあります。企業は、Mistralに問い合わせれば、自社サーバーやプライベートクラウドにも導入できます。

ベンチマークと未解決の疑問

Mistralの数字は、自社テストによるものです。話者帰属付きの文字起こしでは、誰が話したかもモデルが示す必要があります。この項目で、MistralはVoxtral Small Transcribe 3のエラー率を18.4%と報告しています。上のグラフのとおり、これはScribe v2の23.0%やGemini 3.5 Transcribeの38.4%を上回る結果です。

決算説明会で重要な用語を拾うテストでは、想定される単語のリストを与えた状態で、Voxtral Small Transcribe 3が94.6%を記録しました。Scribe v2は94.3%、Gemini 3.5 Transcribeは87.3%でした。

2つの報道が、Mistral自身のページと食い違っています。Crypto Briefingは、このパイプラインをオープンウェイトと説明し、1分あたり約0.001ドルという料金を挙げています。Mistralの発表にはライセンスの記載がなく、文字起こしの料金は1分あたり0.0035ドルから0.008ドルとなっています。Mistralが重みとライセンスを公開するまでは、Voxtral 3を、セルフホストの選択肢があるAPI製品として扱ってください。

料金の比較

音声エージェントの料金は横並びになりつつあります。xAIのGrok Voice 3.0は、音声エージェントAPIで1分あたり0.08ドルです。Mistralは、外部のどのモデルを使っても同じ料金で、自社のMistral Small 4を使えば半額になります。Voxtral 3は、2025年7月以降でMistralにとって4回目のVoxtralリリースで、2026年2月と3月の音声モデルに続くものです。

開発者にとっての意味

Voxtral 3によって、完全な音声エージェントは、寄せ集めで作るプロジェクトではなく、価格の決まった既製品になります。

• 通話量を分単位で見積もってください。 1分あたり0.04ドルなら、Mistral Small 4で月1万分を使うと約400ドルです。ベンダーを比較する前に、自社の通話構成で計算してください。
• 話者ラベルを自社の音声で試してください。 18.4%というエラー率は、Mistralが選んだテストセットによるものです。発言が重なる実際の通話をいくつか録音し、誰が何を話したかを自分で確認してください。
• モジュール設計を活用してください。 各段階が分かれているので、Mistralの文字起こしを使い続けながら、別の言語モデルを組み込めます。その場合の料金は、1分あたり0.04ドルではなく0.08ドルです。
• セルフホストを計画する前に、重みについて確認してください。 オンプレミスでの導入はMistralの営業チームを通す必要があり、ライセンスは公開されていません。データを社内に留める必要があるなら、条件を書面で受け取ってください。