Voxtral 3は、フランスのAI企業Mistral AIが2026年10月20日ごろに発表した、声のAIの新シリーズです。話した言葉を文字にする。文字を自然な声で読み上げる。電話に出て、手続きまで進める。そのための部品がそろいました。ふだん使うサービスの裏側で使われていく可能性のある技術で、開発者の間で話題になっています。
Voxtral 3をひとことで言うと？
Voxtral 3は、人の声を聞き取り、自然な声で返し、電話のような会話で手続きまで進める「声のAI」を作るための部品セットです。
たとえるなら、電話窓口の担当者を育てるための材料一式です。「耳」にあたる文字起こし、「口」にあたる読み上げ、「頭と手」にあたる会話の進行役が入っています。ただし材料であって、完成した担当者そのものではありません。
これまでと何が変わるの？
- 声で会話しながら手続きを進める「声の窓口係」を作りやすくなりました。 聞く、考える、外部のシステムを呼ぶ、話す、という流れを1本につなぐ道具（SDK）が加わったと、Mistralの発表ページは説明しています。※SDKとは: アプリ作りを手伝う道具箱のようなものです。
- 読み上げの声が、会話の流れに合わせて変わります。 感情、話す速さ、強調の置き方を状況に応じて調整する新しい声が用意されたと、同ページにあります。
- 文字起こしの間違いが、前の世代より減ったとされています。 GIGAZINEは、前世代のVoxtral Mini Transcribe 2よりエラー率が低いグラフを紹介しています。
Voxtral 3とは？誰が作った、どんなAI？
作ったのは、フランスのAI企業Mistral AIです（GIGAZINE、PANews）。Voxtralは同社の音声モデルの名前で、3はその新しい版です。公式ドキュメントには、Voxtral 2のコードを書き換えるための移行ガイドも用意されています。
Voxtral 3は、1つのAIの名前ではありません。声に関するモデルを複数まとめた「ファミリー名」です。
ChatGPTとは何が違う？
ChatGPTのようなAIは、文章で質問して文章で答えをもらう使い方が中心です。Voxtral 3は、その手前と先を受け持ちます。声を文字に変える入口と、文字を声に変える出口です。
そのため、Voxtral 3は「考える頭脳」そのものとは少し違います。エージェント用SDKでは考える段階も含めて1本につなぐと説明されています。ただ、考える部分にどのモデルを使うのかは、資料の範囲では確認できません。同じ会社の文章系AIが気になる方は、Mistral Large 4の解説も参考になります。
どんなモデルが入っているの？
資料をまとめると、次のとおりです。
| モデル | 役目 | 料金（GIGAZINE記載） |
|---|---|---|
| Voxtral Mini Transcribe 3 | 録音ファイルの文字起こし。費用を抑えた版 | 1分0.0035ドル |
| Voxtral Small Transcribe 3 | 録音ファイルの文字起こし。より高品質な版 | 1分0.0040ドル |
| Voxtral Mini Transcribe Realtime 3 | 会話中にその場で文字にする | 1分0.008ドル |
| 音声合成モデル（表記は後述） | 文字を声にして読み上げる | 100万文字あたり13ドル |
| Voxtral TTS Realtime 3 | 会話向けに、読み上げ音声を少しずつ流す | 資料からは確認できない |
最後の行は公式ドキュメントにだけ載っています。GIGAZINEとPANewsは、全体を4モデルとして紹介しています。
音声合成モデルの名前は資料で揺れています。公式ドキュメントは「Voxtral TTS 3」、発表ページは「Voxtral Mini TTS 3」、GIGAZINEとPANewsは「Voxtral Speech 3」です。同じものを指している可能性が高いのですが、資料からは断定できません。
なお、名前がややこしいのですが、GIGAZINEによるとMiniよりSmallのほうが高性能です。
なぜ話題になっているの？
理由は3つあります。
1つ目は、部品が1つの発表にまとまっていることです。文字起こし、読み上げ、そして電話やウェブで会話するエージェント用の道具が同時に出ました。発表ページは、聞く、考える、行動する、話すを同時にうまく動かすのは難しい、と課題を挙げています。Voxtral 3はそこに答える形で紹介されています。
2つ目は、使い道の見えやすいデモです。発表ページでは、フランス語の紹介状を受け取った利用者が電話をかけます。AIが番号を聞き返し、紹介状の内容を英語で説明し、皮膚科の予約まで取ります。人間の窓口係がやる流れを、声だけで終わらせる例です。
3つ目は、他社との比較です。GIGAZINEによると、リアルタイム文字起こしモデルは、待ち時間240ミリ秒でもOpenAIのGPT Live Transcribeより高精度でした。1秒の4分の1ほどの時間です。音声合成は、Gemini 3.8 Flash TTSと同等のコストで、固有名詞や数字を正しく読む率が高いとされています。
これらはMistralが示したグラフをもとにした内容です。第三者による検証は、資料の範囲では確認できません。
開発者向けの情報サイトHacker NewsやProduct Huntでも、Voxtral 3が取り上げられています。
どんな仕組みで、何ができるの？
1. 50以上の言語で文字起こしできる
録音や会話を文字にします。発表ページによると、50以上の言語に対応します。次の機能も紹介されています。
- 誰が話したかを区別する機能。 ※話者分離（ダイアライゼーション）とは: 「Aさんが言った」「Bさんが言った」と分ける技術です。
- キーフレーズを教えると精度が上がる機能。 専門用語や人名を事前に渡して、聞き間違いを減らします。
- 話し終わりを見つける機能。 AIが待たずに返事を始められます。
公式ドキュメントは、時刻つきの区切り（タイムスタンプ）にも触れています。ただし、機能の割り当てが資料で違います。発表ページは話者の区別をSmall Transcribe 3の機能として書いています。ドキュメントの一覧では、話者ラベルはMini Transcribe 3の欄にあり、Smallは「発売時点では文字起こしのみ」とあります。どちらが現状に合うかは、資料からは判断できません。
2. 待ち時間を選べるリアルタイム文字起こし
会話中にその場で字幕を出すためのモデルです。ドキュメントによると、文字が出るまでの遅れを80〜1,200ミリ秒（または2,400ミリ秒）から、接続ごとに選べます。※ミリ秒とは: 1000分の1秒です。80ミリ秒は、まばたき1回よりずっと短い時間です。
GIGAZINEによると、遅れを長くするほど精度は上がります。ライブ字幕は速さを、あとで読む議事録は正確さを、というように使い分けられます。
3. 感情や速さを指定できる読み上げ
文字を声にします。ドキュメントによると、あらかじめ用意された声か、複製した声を選べます。感情を表すタグが34種類、速さを表すタグが2種類あり、出力形式は5種類です（WAVは24kHz）。発表ページでは、35以上の言語と50以上の方言に対応するとされています。
特定の人の声は、短い参考音声から作る基本のクローンに加え、「Pro Voice」でより細かく再現できます。話し方の癖や感情の幅まで、言語をまたいで再現するもので、30分の音声が必要とされます。GIGAZINEが紹介する30分の参考音声も、これと同じ話だと思われます。ただ、ドキュメントの「ゼロショット」クローン（ほぼ参考音声なしで作る方式）との違いを、資料は詳しく説明していません。
4. 電話やウェブで会話する「声のエージェント」用SDK
聞く、考える、道具を呼ぶ、話す、という流れを1本につなぐ道具です。発表ページでは、情報を引き出したり、社内システムを操作して予約を入れたりと、会話中に作業を終えられると説明されています。
PANewsの速報には、さらに次の説明があります。LiveKitという仕組みの上に作られていること、機能呼び出しに対応していること、SIP（※インターネットから普通の電話回線につなぐ仕組み）による電話連携に対応していること、です。LiveKitに触れているのはこの速報だけで、発表ページの確認できた範囲には出てきません。
5. データをどこで処理するか選べる
MistralのAPIはEU（ヨーロッパ連合）内で動いています。自社のインフラに入れて使う方法もあります。発表ページは、音声をどこで処理し、会話を残すかどうかを、利用側が管理できると説明します。通話内容のような機微な情報を扱う企業には、大切な点です。
自分に関係ある？ 向いている人・向いていない人
結論から言うと、ほとんどの人が直接触るものではありません。アプリや電話窓口の裏側に組み込まれて、間接的に出会う部品です。発表ページが挙げる使い道は、コンタクトセンター、サービス窓口、バーチャルアシスタント、手を使わずに使う副操縦士のようなツールです。
向いている人
- 電話応対、字幕、議事録、読み上げなどを自社サービスに入れたい開発者や製品チーム
- 自社の音声データをEUの環境や自社の設備で扱いたい企業
- 音声AIの動向を押さえたい企画・営業・マーケの担当者（「何が起きているか」を知る目的で）
向いていない人
- コードを書かずに、今すぐ自分のスマホで試したい人。Voxtral 3は開発者向けの部品で、そのまま使える完成品ではありません。
非開発者向けとして、ドキュメントは別の入口を案内しています。Mistralのサービス（資料では「Work」）で、声で指示を出す機能や、録音を取り込んで分析する機能です。コードは要りません。ただし、これがVoxtral 3で動いているかは、資料から確認できません。
他の文字起こしモデルと見比べたい方は、Whistleの解説も参考になります。
どうやって触ればいい？（開発者向け）
ここからは実際に触ってみたい人向けです。読み飛ばしても全体像は分かります。以下は公式ドキュメントに書かれた手順で、録音ファイルを文字起こしする最初の1回です。
手順1: APIキーを作る
AI Studioで「Create new key」を選び、名前と有効期限を決めます。キーは1度しか表示されないので、必ずコピーします。次に、環境変数に入れます。
export MISTRAL_API_KEY="your-api-key"手順2: SDKを入れる
curlの例ならインストールは不要です。PythonかTypeScriptなら、MistralのSDKを入れます。「realtime」の部分は、リアルタイム文字起こし用の接続機能を追加するものです。
pip install "mistralai[realtime]"手順3: 最初の1回を動かす
まず、ドキュメントにあるサンプル音声を取得します。
curl -O https://docs.mistral.ai/audio/obama.mp3次に、ドキュメントのPythonの例です。
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
with open("obama.mp3", "rb") as audio:
transcription = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"file_name": "obama.mp3", "content": audio},
)
print(transcription.text)モデル名は、一覧表では「voxtral-mini-transcribe-3-0」と書かれ、この例では末尾の「-0」がありません。どちらを使うべきかは、ドキュメントの最新の記述で確認してください。
リアルタイム文字起こし、読み上げ、音声エージェント、録音への質問も、同じドキュメントから始められます。
気をつけたいこと・まだ分からないこと
- 日本語に対応しているか。 日本語読者にとって一番大事な点ですが、対応言語の一覧は資料にありません。使う前に公式で確認してください。
- ライセンスと自社運用の条件。 自社インフラで使えるとされていますが、ライセンスの種類、配布方法、必要な機材は資料から確認できません。
- 性能の根拠。 他社との比較は、Mistralが示したグラフをGIGAZINEが紹介したものです。第三者による検証は確認できません。また、手元の発表ページの本文は途中までで、ベンチマークの詳細は読めていません。
- 資料同士の食い違い。 モデルの数（4つか5つか）、音声合成モデルの名前、話者分離がどのモデルの機能かは、資料によって異なります。
- 料金の全体像。 確認できる料金は文字起こし3種と音声合成の1種だけです。リアルタイム版の読み上げやPro Voiceの料金、無料枠は分かりません。
- 声のクローンの扱い。 本人の同意の確認方法や利用規約は、資料の範囲では確認できません。
料金の目安も出しておきます。GIGAZINEとPANewsの価格から編集部が計算すると、1時間分の文字起こしはMini Transcribe 3で約0.21ドル、Small Transcribe 3で約0.24ドル、リアルタイム版で約0.48ドルです。読み上げは1万文字で約0.13ドルです。実際の請求は公式で確かめてください。
まとめ
- Voxtral 3は、Mistral AIが出した声のAIシリーズです。文字起こし、読み上げ、会話エージェント用の道具がそろっています。
- 電話やウェブで、声だけで予約などの手続きを進めるサービスを作る材料になります。
- 文字起こしは50以上の言語に対応し、料金は1分あたり0.0035〜0.008ドルです。読み上げは100万文字あたり13ドルです。
- 多くの人は直接触らず、アプリや電話窓口の裏側で出会う部品です。
- 日本語対応、ライセンス、自社運用の条件、第三者による検証は、現時点では資料から確認できません。
よくある質問
Voxtral 3はプログラミングができなくても使えますか？
Voxtral 3そのものは、開発者がAPIという接続口を通して使う部品です。ドキュメントは開発者と製品チーム向けに書かれています。非開発者向けには、Mistralのサービスで声で指示を出す機能や、録音ファイルをチャットに読み込ませる方法が案内されています。ただし、それがVoxtral 3で動いているかは資料から確認できません。
Voxtral 3は無料で使えますか？
資料に無料枠の記載はなく、現時点では確認できません。公開されているのは従量課金の料金です。文字起こしは1分あたり0.0035〜0.008ドル、音声合成は100万文字あたり13ドルとされています（GIGAZINEとPANewsの記載）。利用にはAI Studioで取得するAPIキーが必要です。
Voxtral 3は日本語に対応していますか？
資料の範囲では確認できません。文字起こしは50以上の言語、音声合成は35以上の言語と50以上の方言に対応するとされています。しかし、対応言語の一覧は資料に載っておらず、日本語が含まれるかは分かりません。使う前に公式ドキュメントで確認してください。
Voxtral 3はどんなモデルで構成されていますか？
文字起こし用が3つ（Mini Transcribe 3、Small Transcribe 3、Mini Transcribe Realtime 3）、音声合成用が1〜2つです。公式ドキュメントは音声合成を2つ（通常版とリアルタイム版）と書き、GIGAZINEとPANewsは全体を4モデルとしています。資料によって数え方が異なります。
自分のサーバーで動かすことはできますか？
Mistralの発表では、EUにあるMistralのAPIを使う方法と、自社のインフラに入れて使う方法の2つが示されています。ただし、ライセンスの条件や必要な機材、モデルの配布方法は、資料からは確認できません。導入を考える場合は公式の案内を確認してください。
