Voxtral 3 (Transcribe and TTS)とは？
Voxtral 3はMistral AIの音声ファミリーで、2026年10月20日にパブリックプレビューとして公開されました。モデルは4つあります。録音された音声向けで、話 者ラベル（ダイアライゼーション）とタイムスタンプに対応するVoxtral Small Transcribe 3と40億（4-billion）パラメータのVoxtral Mini Transcribe 3、500ミリ秒未満でライブの文字起こしをするVoxtral Mini Transcribe Realtime 3、そしてゼロショットの音声クローンとストリーミングでテキストを読み上げるVoxtral TTS 3です。Mistralは同じ日に、マネージド型の音声エージェントのパイプラインとSDKも公開しました。
文字起こしはEUの公用語24言語すべてを含む50言語に、音声出力は35を超える言語に対応します。モデルはMistralのAPIから、EU、米国、グローバルのエンドポイントで利用できます。以前のVoxtralの一部のリリースと違い、重みは公開されていません。Mistralは自前での導入を企業向けの契約としてのみ提供しています。
報じられた公開時の価格は、Mini Transcribe 3が1分$0.0035、Small Transcribe 3が$0.0040、リアルタイムモデルが$0.008、音声合成が100万文字あたり$13です。
Voxtral 3 (Transcribe and TTS)の料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Mini Transcribe 3 | $0.0035 a minute | 録音された音声、ダイアライゼーション、タイムスタンプ |
| Small Transcribe 3 | $0.0040 a minute | |
| Mini Transcribe Realtime 3 | $0.008 a minute | 500 ms未満のライブ文字起こし |
| TTS 3 | $13 per million characters | ゼロショットの音声クローン、ストリーミング |
Mini Transcribe 3は1分$0.0035、Small Transcribe 3は1分$0.0040、Mini Transcribe Realtime 3は1分$0.008、TTS 3は100万文字あたり$13です（報じられた公開時の価格）。
Voxtral 3 (Transcribe and TTS)は使う価値があるか？
注目すべきはVoxtral 3の文字起こしです。Artificial Analysisの計測では、Small Transcribe 3の単語誤り率は2.1%で、MicrosoftのMAI-Transcribe-2に0.1ポイント及ばず、ElevenLabs Scribe v2を0.1ポイント上回りました。安価なMiniは2.2%です。1分$0.0035なら1時間の音声は約21セントで、Scribe v2は1時間$0.22です。精度でも価格でもトップと肩を並べています。
Mistral自身の数値が話者ラベルの性能を裏付けています。Smallのダイアライゼーション誤り率は18.4%で、Pyannoteの19.0%を上回り、Gemini 3.5 Transcribeの38.4%を大きく上回ります。リアルタイムモデルは予想どおり精度と速度を引き換えにしており、遅延2.4秒で誤り率5.7%、240ミリ秒で7.4%です。音声エージェントは、自分のレイテンシ予算がどこに収まるかテストすべきです。
音声合成はそれほど際立っていません。Voxtral TTS 3はArtificial Analysisの音声のリーダーボードで13位、100万文字あたり$13で、音声1時間あたり約70セントです。Mistralが3月に出したオープンな4BのTTSより127 Eloポイント上ですが、ElevenLabsのEleven v4には及びません。
検討すべき点が2つあります。4つのモデルはすべてパブリックプレビューなので、価格や挙動は変わる可能性があります。また、今年前半のVoxtral RealtimeやVoxtral 4B TTSと違い、ダウンロードできる重みはありません。オフラインの音声処理が必要なチームは、それらの以前のオープンなリリースを使い続けるべきです。
真価を発揮する場面
欧州のコールセンター分析企業
数千時間の通話を文字起こしし、話者をラベル付けする
Small Transcribe 3がMistralのEUエンドポイントでダイアライゼーションとタイムスタンプを処理します。1分$0.0040で、10,000時間は約$2,400です。
電話の音声エージェントを作るチーム
発信者の声をリアルタイムで聞き取り、自然な声で答える
MistralのVoice Agents SDKで、Mini Transcribe Realtime 3とTTS 3を組み合わせます。誤り率を6%前後に保つには、文字起こしの遅延を480〜960 ms程度に設定します。
ポッドキャストや動画の発行者
正確な多言語の文字起こしと字幕を作る
1分$0.0035のMini Transcribe 3は、Artificial AnalysisでSmallと0.1ポイント以内の差です。60分のエピソードは約21セントです。
導入前に確認すること
- 導入
- MistralのAPIで、EU、米国、グローバルのいずれかのエンドポイントを選び、voxtral-mini-transcribe-3-0、voxtral-small-transcribe-3-0、voxtral-mini-transcribe-realtime-3-0、voxtral-mini-tts-3-0を呼び出します。
- 連携
- Mistral APIとVoice Agentsパイプライン、聞き取り、推論、ツール呼び出し、音声合成をカバーするLiveKitベースの音声エージェントSDKがあります。
- データとプライバシー
- APIのみで、公開された重みやライセンスはありません。MistralのAPI規約では、オプトアウトしない限り無料枠のデータを学習に使え、従量課金ではオプトアウトできます。機密の通話を送る前に、音声についての規約を確認してください。自前での導入は企業向けの契約です。
- 大規模利用時のコスト
- 100,000時間の文字起こしは、Miniで約$21,000、リアルタイムで$48,000です。100万文字あたり$13の音声出力は、音声1時間あた り約70セントです。
- 制限
- パブリックプレビューです。リアルタイムの誤り率は遅延2.4 sで5.7%、240 msで7.4%に上がります。音声出力は35以上の言語、文字起こしは50言語です。
良い点
- Artificial Analysisで単語誤り率2.1%、上位3つに入ります
- Mini Transcribe 3なら音声1時間あたり約21セントです
- Mistralによると、ダイアライゼーション誤り率は18.4%で、PyannoteとGeminiを上回ります
- EU、米国、グローバルのエンドポイントがあり、文字起こしは50言語です
気になる点
- 以前のVoxtralのリリースと違い、オープンウェイトがありません
- パブリックプレビューで、価格やモデルが変わる可能性があります
- TTS 3はArtificial Analysisの音声ボードで13位です
- リアルタイムの精度は、遅延240 msで誤り率7.4%に下がります
おすすめの人
会議、通話、メディアを大量に文字起こしし、特に欧州で、最上位の精度を低い分単価で求めるチームです。
Voxtral 3 (Transcribe and TTS)の代替
Voxtral 3 (Transcribe and TTS)：よくある質問
- Voxtral 3 (Transcribe and TTS)は使う価値があるか？
- 1分あたり3分の1セントで、独立した文字起こしテストの上位に入り、EUのエンドポイントもあります。音声合成は競争力がある程度にとどまり、今回はオープンウェイトのものはありません。 評価は5点満点中4.4点です。
- Voxtral 3 (Transcribe and TTS)の料金は？
- Mini Transcribe 3は1分$0.0035、Small Transcribe 3は1分$0.0040、Mini Transcribe Realtime 3は1分$0.008、TTS 3は100万文字あたり$13です（報じられた公開時の価格）。
- Voxtral 3 (Transcribe and TTS)の欠点は？
- 以前のVoxtralのリリースと違い、オープンウェイトがありません; パブリックプレビューで、価格やモデルが変わる可能性があります; TTS 3はArtificial Analysisの音声ボードで13位です; リアルタイムの精度は、遅延240 msで誤り率7.4%に下がります.
- Voxtral 3 (Transcribe and TTS)は誰に向いているか？
- 会議、通話、メディアを大量に文字起こしし、特に欧州で、最上位の精度を低い分単価で求めるチームです。
- チームや本番環境でVoxtral 3 (Transcribe and TTS)を使うと費用はいくらか？
- 100,000時間の文字起こしは、Miniで約$21,000、リアルタイムで$48,000です。100万文字あたり$13の音声出力は、音声1時間あたり約70セントです。
- Voxtral 3 (Transcribe and TTS)は企業データを扱っても安全か？
- APIのみで、公開された重みやライセンスはありません。MistralのAPI規約では、オプトアウトしない限り無料枠のデータを学習に使え、従量課金ではオプトアウトできます。機密の通話を送る前に、音声についての規約を確認してください。自前での導入は企業向けの契約です。
- Voxtral 3 (Transcribe and TTS)の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はElevenLabs Scribe v2, Gemini 3.5 Transcribe, Deepgram Nova-3 、 GPT Transcribeです。
回答確認日：2026年10月25日