フランスのAI企業Mistral AIは2026年10月20日、音声AIの新しいシリーズ「Voxtral 3」を発表しました。
文字起こしと音声合成のモデルに加え、LiveKitの上に作った音声エージェントのSDKを用意し、「聞く・考える(ツールを使う)・話す」を1本のリアルタイムの流れで動かせるようにしています。
電話やWebの問い合わせ窓口を持つ企業や、ウェビナー・商談の録音を活用したいマーケティング担当者にとって、多言語の音声エージェントを「どこでデータを処理するか」まで選んで作れる選択肢が増えた発表です。
ただし、よく紹介される「50以上の言語に対応」は文字起こしの話で、音声合成は35以上の言語です。日本語の扱いも、公式の対応言語の一覧では確認できませんでした。
この記事では、発表の中身と料金、前の世代からの変化を整理し、日本の企業が試す前に確かめたい点につなげていきます。
この記事のポイント
- Mistral AIが2026年10月20日にVoxtral 3を発表
- 文字起こし・音声合成・音声エージェントSDKの3点セット
- 「50以上の言語」は文字起こし、音声合成は35以上の言語
- 音声エージェントAPIは1分0.04ドルから、電話とWebに対応
- 自社環境への配置は可能だが、全体のオンプレ運用は要相談
本記事は、Mistral AIの公式発表(2026年10月20日)と公式ドキュメントの各モデルのページ、過去のVoxtralの発表、LiveKitのドキュメント、報道にもとづいています。
情報は2026年10月21日12時(日本時間)時点のものです。ドキュメントでは各モデルが「Public Preview」と表示されており、内容は今後変わる可能性があります。
Mistral AIのVoxtral 3で発表されたこと

電話の自動応答というと、番号を押して進む昔ながらの音声案内を思い浮かべる方も多いですよね。Voxtral 3が目指しているのは、相手の話を聞き、考え、社内のシステムを使いながら答えるエージェントです。
文字起こし・音声合成・音声エージェントSDKの3点セット
公式発表によると、Voxtral 3は文字起こしと音声合成の新しいモデル群と、音声エージェントのSDKでできています。
SDKはLiveKitの上に作られ、聞く・考える・ツールを呼ぶ・話すを1本のリアルタイムの流れで処理します。
想定する用途として、コンタクトセンター、サービスデスク、バーチャルアシスタント、手が離せない場面のコパイロットが挙げられています。
- Voxtral Small Transcribe 3:高精度の文字起こし。話者の区別(ダイアライゼーション)と、専門用語を指定して精度を上げる機能を持つ
- Voxtral Mini Transcribe 3:40億パラメータの軽いモデルで、速さと価格を重視
- Voxtral Mini Transcribe Realtime 3:会話をその場で文字にするリアルタイム用
- Voxtral Mini TTS 3:会話に合わせて感情・速さ・強調を変える音声合成
電話とWebで動き、社内のシステムともつながる
音声エージェントは、電話(SIP)で着信と発信ができ、ブラウザやアプリではWebRTCで動きます。
関数の呼び出しやWeb検索、自社のシステムの検索にも対応し、公式は1回のやり取りを1秒未満で終え、話をさえぎられたら止まると説明しています。
相手が話し終えたかを音と意味の両方で見分ける機能や、音声を保存するかどうかを選べる設定もあります。
このほか、30分ほどの音声から話し手の個性や話し方を再現する「Pro Voice」も紹介されました。自社やブランドの声をエージェントに使う場面を想定した機能です。
\ AI活用、何から始めればいいか迷ったら /
初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ
料金・言語・提供形態を整理する

試すかどうかを決めるには、料金と言語、どこで動かせるかが気になりますよね。公式の発表とドキュメントから整理しました。
モデルごとの料金


表で詳しく見る
| 対象 | 料金(公式) | 主な特徴 |
|---|---|---|
| Small Transcribe 3 | 1分0.004ドル | 高精度・話者の区別・用語の指定 |
| Mini Transcribe 3 | 1分0.0035ドル | 40億パラメータ・速さ重視 |
| Mini Transcribe Realtime 3 | 1分0.008ドル | リアルタイムの文字起こし |
| Mini TTS 3(音声合成) | 100万文字13ドル | 35以上の言語・50以上の方言 |
| 音声エージェントAPI | 1分0.04ドル(Mistral Small 4で推論)/1分0.08ドル(ほかの推論モデル) | 電話(SIP)・WebRTC |
音声エージェントAPIは推論にMistral Small 4を使うと1分0.04ドルで、ほかの推論モデルを使うと倍の0.08ドルです。電話回線の費用など、ここに含まれない費用があるかは発表からは分かりません。
「50以上の言語」は文字起こし、日本語は一覧で未確認
公式発表は、文字起こしの対応言語を50に広げ、EUの公用語24言語を含むと書いています。
一方、音声合成は35以上の言語と50以上の方言で、リアルタイムの文字起こしは本文で「35以上」、同じページのモデルの説明で「40以上」と書かれています。
さらに、音声合成のドキュメントのページには「9言語に対応」とあり、発表ページの「35以上」と食い違っています。「音声エージェント全体で50言語」ではない点に注意が必要です。
日本語については、精度を比べた表に日本語(JA)の欄がありますが、対応言語の公式の一覧は見つかりませんでした。音声合成のボイスのプリセット(18言語)にも日本語は入っていません。
前の世代のVoxtral Transcribe 2(2026年2月4日)は、文字起こしの13言語に日本語を明記していました。
日本語での電話応答の品質は、実際に試して確かめる必要があります。
EUのAPIか自社環境か、ただし全体のオンプレは要相談
公式は、Voxtral 3をMistralのEUのAPIか、自社のインフラに配置して使えるとし、音声をどこで処理し、会話を保存するかを組織が決められると説明しています。
APIは欧州・米国・グローバルの窓口から提供されます。ただ同じページに、全体をオンプレミスやプライベートクラウドで動かすには担当チームに相談するよう書かれています。
前の世代にあったオープンウェイト(モデルの重みの公開)やライセンスの記載は、今回の発表には見当たりませんでした。
\ AI活用、何から始めればいいか迷ったら /
初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ
前の世代のVoxtralから何が変わったか

Voxtralは2025年7月の初代から、約1年3か月で4回目の発表になります。並べてみると、方向がはっきり見えてきます。
4回の発表を並べた比較表

表で詳しく見る
| 発表日 | 名前 | 中身 | 重みの公開 |
|---|---|---|---|
| 2025年7月15日 | Voxtral(初代) | 音声の理解と文字起こし | Apache 2.0 |
| 2026年2月4日 | Voxtral Transcribe 2 | 文字起こし(13言語、日本語を明記) | Realtimeは Apache 2.0 |
| 2026年3月23日 | Voxtral TTS | 音声合成(9言語、日本語なし) | CC BY-NC 4.0(非商用) |
| 2026年10月20日 | Voxtral 3 | 文字起こし・音声合成・音声エージェントSDK | 記載なし |
部品を1つずつ出してきた流れが、今回エージェントとして組み上げる段階に入ったと読めます。
料金も変わっていて、同じ単位で比べると、リアルタイムの文字起こしは1分0.006ドルから0.008ドルに上がり、音声合成は1,000文字あたり0.016ドルから0.013ドルに下がりました。
「Public Preview」と、評価の数字の読み方
ドキュメントでは、各モデルが「Public Preview」と表示されています。正式提供の時期や、本番で使うときの保証は書かれていません。
また公式は、Small Transcribe 3が文字起こしの精度でWhisper、Scribe v2、Gemini 3.5 Transcribeを上回ると説明していますが、比較はMistral自身が行ったものです。
音声合成の品質の評価には、Mistralが選んだ質問とAIの採点が使われているという注記もあります。数字は参考にとどめ、自社の音声で試すのが確実です。
\ AI活用、何から始めればいいか迷ったら /
初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ
このニュースで誰の何が変わるのか

音声エージェントは、問い合わせや商談の入口を持つ企業ほど関係が深い技術です。影響の大きい3つの立場で見ていきましょう。
BtoB SaaS・士業の経営層:問い合わせの一次対応を音声エージェントに任せる選択肢
営業時間外の電話や、同じような質問への対応に人手を取られている会社は少なくないですよね。Voxtral 3は、電話で受けて、社内のシステムを調べ、話して答えるまでを1つの仕組みで作れるようにしました。
明日からやることは、問い合わせの電話を1週間分ほど分類し、「定型で答えられるもの」と「人が受けるべきもの」の割合を出しておくことです。
費用の見積もりは、月の通話の分数に1分0.04〜0.08ドルを掛けると、APIの部分だけはおおよそ出せます。
数か月から1年のうちに、一次対応は音声エージェント、判断が要る相談は人、という分担が中小企業にも広がる可能性があります。
BtoB企業のマーケティング担当者:ウェビナーや商談の音声を資産にしやすくなる
ウェビナーやインタビューの録音が、文字にされないまま眠っていることはありませんか。Small Transcribe 3の話者の区別と、専門用語を指定して精度を上げる機能は、製品名や業界用語の多いBtoBの音声と相性がよい機能です。
やることは、過去のウェビナーの録音を1本選び、自社の製品名や用語のリストを用意して、文字起こしの精度を今のツールと比べてみることです。
日本語の精度は公式の一覧で確かめられていないため、必ず日本語の音声で試します。文字にした内容は、記事やFAQの素材になります。
音声や動画の中身を検索やAIに届ける考え方は、動画SEOとは?YouTube・Google・AI検索の4面で動画を働かせる方法でも整理しています。
Web担当役員・マーケティング部長:音声データをどこで処理するかを選べる
顧客との通話は、個人情報や商談の中身を含むため、外部のAIに送ることへのためらいがありますよね。Voxtral 3は、処理する場所と、会話を保存するかどうかを組織が決められることを売りにしています。
やることは、通話の録音をAIで扱うときの社内ルール(保存の有無、保存期間、処理する国)を先に決めることです。
自社の環境で全体を動かしたい場合は、条件が「要相談」なので、早めに見積もりと必要な設備を問い合わせておくとよいでしょう。
AIツールのデータの行き先を確かめる観点は、DeepSeek排除命令を米政府が公示|AIツール選定で確かめたい3点でもまとめています。
今後は、音声AIを選ぶ基準として「精度」と同じくらい「データをどこに置けるか」が重く見られていくと考えられます。

日本語で試すまでは、数字の比較だけで決めないほうが安心です
日本の企業が試す前に確かめたい4つの点

発表の内容と、確認できなかった点を踏まえて、試す前に確かめたいことを4つにまとめました。ここからは編集部の提案です。
言語と品質:日本語の音声で必ず試す
- 日本語の精度:自社の通話や録音で、文字起こしと音声合成の両方を試す
- 日本語の声:プリセットに日本語がないため、使える声を確かめる
- 費用の全体:APIの料金のほか、電話回線や開発の費用を見積もる
- 運用の条件:Public Previewの扱い、データの保存、自社環境の条件を確かめる
とくに1と2は、公式の一覧で日本語の対応を確かめられなかった部分です。精度の表に日本語の欄があることは、実際の通話の品質を保証するものではありません。
運用:人に引き継ぐ道と、録音の扱いを決めておく
音声エージェントを入れるときは、答えられない質問をどう人に渡すかを先に設計しておきたいところです。
「この話は担当者からかけ直します」と言える道を用意しておけば、お客さまを置き去りにせずに済みます。録音を保存するなら、保存期間と閲覧できる人を決めておくことも欠かせません。
音声で答えるときの考え方は、AEO対策完全ガイド|6ステップ実装と音声検索・FAQ変更点【2026年版】の音声検索の章も参考になります。
よくある質問

- Voxtral 3はいつ発表されましたか?
-
Mistral AIが2026年10月20日に公式サイトで発表しました。ドキュメントでは各モデルが「Public Preview」と表示されています。
- Voxtral 3は何ができますか?
-
文字起こし、音声合成、音声エージェントの3つです。音声エージェントは電話やWebで相手の話を聞き、社内のシステムを調べながら話して答えます。
- Voxtral 3は日本語に対応していますか?
-
精度を比べた表に日本語の欄はありますが、対応言語の公式の一覧は2026年10月21日時点で確認できていません。音声合成のボイスのプリセットにも日本語は含まれていません。
- Voxtral 3の料金はいくらですか?
-
文字起こしは1分0.0035〜0.008ドル、音声合成は100万文字13ドル、音声エージェントAPIは1分0.04ドル(Mistral Small 4で推論)または0.08ドル(ほかの推論モデル)です。
- Voxtral 3を自社のサーバーで動かせますか?
-
公式は自社のインフラへの配置ができると説明していますが、全体をオンプレミスやプライベートクラウドで動かすには担当チームへの相談が必要です。重みの公開やライセンスの記載はありません。
- Voxtral 3の「50以上の言語」とは何の話ですか?
-
文字起こしの対応言語です。音声合成は発表ページでは35以上の言語と50以上の方言(ドキュメントでは9言語)で、リアルタイムの文字起こしは公式内で「35以上」と「40以上」の2つの書き方があります。
- Voxtral 3が使うLiveKitとは何ですか?
-
リアルタイムの音声・映像のアプリを作るための基盤です。Mistralは音声エージェントのSDKをLiveKitの上に作ったと説明しています。LiveKit側の共同発表は見つかっていません。
まとめ

Mistral AIは2026年10月20日、文字起こし・音声合成のモデルと音声エージェントのSDKをまとめたVoxtral 3を発表しました。
電話とWebで動き、音声エージェントAPIは1分0.04ドルからです。
「50以上の言語」は文字起こしの話で、日本語は公式の一覧で確認できておらず、各モデルはPublic Previewの段階です。
- 問い合わせの電話を分類し、音声エージェントに任せられる割合を出す
- 日本語の自社の音声で、文字起こしと音声合成を必ず試す
- 通話の録音を扱う社内ルール(保存・期間・処理する場所)を先に決める
音声AIは、精度の競争から「どこで処理し、どう人に引き継ぐか」まで含めた設計の競争に移りつつあるように見えます。日本語で試す手間を惜しまないことが、導入で失敗しないいちばんの近道だと思います。



参考・出典
- Mistral AI「Voxtral 3」(2026年10月20日):https://mistral.ai/news/voxtral-3/
- Mistral AI Docs「Audio overview」:https://docs.mistral.ai/studio/audio/overview
- Mistral AI Docs「Voxtral Small Transcribe 3」:https://docs.mistral.ai/models/voxtral-small-transcribe-3-0
- Mistral AI Docs「Voxtral TTS 3」:https://docs.mistral.ai/models/voxtral-mini-tts-3-0
- Mistral AI「Voxtral」(2025年7月15日):https://mistral.ai/news/voxtral/
- Mistral AI「Voxtral Transcribe 2」(2026年2月4日):https://mistral.ai/news/voxtral-transcribe-2/
- Mistral AI「Voxtral TTS」(2026年3月23日):https://mistral.ai/news/voxtral-tts/
- LiveKit Docs「Mistral AI STT」:https://docs.livekit.io/agents/models/stt/mistralai
- cellcog「Mistral Voxtral 3」:https://cellcog.ai/blog/mistral-voxtral-3/





