Mistral AI「Voxtral 3」発表 日本語含む50言語対応の音声AIエージェントSDK
Mistral AIは2026年10月20日、音声AIエージェント構築スイート「Voxtral 3」を発表した。文字起こし・音声合成・エージェントSDKを統合提供し、日本語を含む50言語超に対応する。コールセンターや受付業務の自動化を検討する企業に実用的な選択肢となる。
発表の概要
Voxtral 3は音声認識（STT）、音声合成（TTS）、音声エージェントSDKの3機能を統合したスイートだ。音声認識はバッチ処理・リアルタイム（500ミリ秒未満）の各モデルを用意。45言語の音声認識精度を測る標準ベンチマーク「FLEURS 45」でWhisperやGemini 3.5 Transcribeを上回る精度を記録した。
音声合成「Voxtral Speech 3」は35言語超・50方言に対応し、会話の文脈に応じて感情表現を自動調整する。30分以上の音声サンプルから話者の特徴を再現する音声クローニング機能も備える。
“Build agents that can listen, reason, speak, and act, with Voxtral 3.”
（筆者意訳：Voxtral 3で、聞いて、考えて、話して、行動するエージェントを構築できる。）
出典：Mistral AI 公式ブログ「Voxtral 3」（2026年10月20日）
受付・電話対応業務への活用
予約受付・問い合わせ応答・多言語カスタマーサポートの自動化に活用できる。日本語を含む50言語超に対応しており、外国語話者が多い観光業・小売業・医療機関でも利用可能だ。EU・米国・グローバルの各エンドポイントに加え、自社サーバーへのデプロイにも対応する。データを社外に出したくない業種にも選択肢となる。
料金の目安
文字起こし（バッチ）は1分あたり$0.0035（約0.5円）から。月1,000分の電話を処理する場合、文字起こしコストは月額$3.5（約525円）の計算となる。音声合成は100万文字あたり$13（約1,950円）、音声エージェントAPIは1分あたり$0.04（約6円）だ。
出典: Mistral AI「Voxtral 3」（2026年10月20日）
