よくある誤解：Voxtral 3は、文字起こしから音声生成までを1つのモデルで処理する製品ではありません。2026年10月23日時点で、Mistralの10月20日付changelogが発表対象として数えているのは、文字起こし3モデルと音声生成1モデルの計4モデルです。
- 何が変わったか：録音ファイル向け2モデル、リアルタイム文字起こし1モデル、音声生成1モデルがPublic Previewで加わりました。
- いつから・どこで使えるか：10月20日にリリースされ、10月23日時点でMistral APIとStudio Playgroundで提供されています。オンプレミス／プライベートクラウドは問い合わせ対象です。
- 自社対応：新規検証は始められますが、Voxtral 2利用者はモデルID、タイムスタンプ、リアルタイム設定の送信順を確認してから切り替える必要があります。
ただし、「Voxtral 3は4モデルで確定」とだけ理解するのも正確ではありません。公式のAudio overviewは、リアルタイムTTSを加えた5モデルを掲載しています。一方、Mistralのchangelog、公式発表の料金表、Legal Centerが10月20日の公開対象として列挙するのは4モデルです。この記事では発表時の4モデルを整理し、公式ページ間の差も隠さず示します。
速報を読むときに重要なのは、機能名の多さではありません。録音済み音声かライブ音声か、文字にするのか話させるのか、既存実装をどこまで変えるのか。この3点を分ければ、Voxtral 3を試すべき場所が見えてきます。
10月20日の発表を4モデルで整理する
Mistralは2026年10月20日、Voxtral 3 audio familyをリリースし、4モデルすべてをPublic Previewとしました。同日、音声入力、推論、ツール呼び出し、音声出力をつなぐVoice AgentsとSDKも別項目で発表しています。Voice Agentsは4モデルのうちの1つではなく、複数の処理を組み合わせるマネージドなパイプラインです。
| 発表時のモデル | 固定モデルID | 主な役割 | 公式料金 |
|---|---|---|---|
| Voxtral Mini Transcribe 3 | voxtral-mini-transcribe-3-0 |
録音済み音声の文字起こし、話者分離、セグメント単位のタイムスタンプ | 1分あたり0.0035ドル |
| Voxtral Mini Transcribe Realtime 3 | voxtral-mini-transcribe-realtime-3-0 |
ライブ音声のリアルタイム文字起こし | 1分あたり0.008ドル |
| Voxtral Small Transcribe 3 | voxtral-small-transcribe-3-0 |
録音済み音声を、Miniより高品質側で文字起こし | 1分あたり0.004ドル |
| Voxtral TTS 3 | voxtral-mini-tts-3-0 |
テキストから音声を生成。プリセット音声、音声複製、ストリーミング出力に対応 | 100万文字あたり13ドル |
料金は2026年10月23日に公式API pricingで再確認した標準API価格です。日本円換算は為替で変わるため載せていません。また、Voice Agents APIは別料金で、Mistral Small 4を推論に使う構成が1分あたり0.04ドル、より大きなモデルを使う構成が1分あたり0.08ドルと案内されています。
「4モデル」と「5モデル」が混在する理由
発表時の4モデルに対し、現行のAudio overviewはVoxtral TTS Realtime 3（voxtral-mini-tts-realtime-3-0）を加えて「5モデル」と書いています。一方、公式発表はVoxtral Mini TTS 3.0を「available in batch and realtime」と説明しており、リアルタイムTTSをTTS 3の提供形態の一つとして扱っています。10月20日のchangelog、4モデルの価格表、Legal Centerにも、リアルタイムTTSは独立した5番目の公開モデルとして並んでいません。
したがって、調達資料や仕様書には「Voxtral 3は4モデル」と固定的に書くのではなく、「10月20日の発表対象は4モデル。10月23日時点のAudio docsにはリアルタイムTTSを含む5モデル表記もある」と日付と根拠を添えるのが安全です。リアルタイムTTSを採用候補に含める場合は、利用中のStudioでモデル可用性を、公式pricingで価格をそれぞれ確認してください。
文字起こし3モデルと音声生成1モデルの使い分け
録音ファイルはMiniから始め、品質要件でSmallへ
Speech to Text overviewは、録音済みの会議、通話、ポッドキャストなどにはVoxtral Mini Transcribe 3から始め、固有語の調整をしても誤りが残る場合にVoxtral Small Transcribe 3へ切り替える流れを示しています。どちらもオフライン文字起こし向けで、話者分離、文脈バイアス、セグメント単位のタイムスタンプを利用できます。
ここでいう「オフライン」は、端末内だけで処理するという意味ではありません。音声ファイル全体が用意できてからAPIへ送る処理方式を指します。クラウドへ送らず自社環境で処理したい場合は、後述するセルフデプロイの提供条件を別に確認する必要があります。
会議字幕や通話中の処理はRealtimeを選ぶ
マイクや電話回線から届く音声を話している途中から文字にしたい場合は、Voxtral Mini Transcribe Realtime 3を使います。WebSocketで音声を送り、文字起こしイベントを受け取る構成です。話者分離、文脈バイアス、発話終了検知を扱えますが、公式docsはリアルタイムの話者分離と発話終了検知を同じセッションでは併用できないと注意しています。
つまり、コールセンターの会話記録と、相手が話し終えた瞬間に応答を返す音声エージェントでは、同じ設定をそのまま使えません。必要な機能を先に決め、セッションを分ける設計も検討してください。
読み上げと音声複製はVoxtral TTS 3
Text to Speech overviewによると、Voxtral TTS 3は完成したテキストを音声へ変換し、プリセット音声または複製した音声で出力します。音声形式はMP3、WAV、PCM、FLAC、Opusが案内され、感情タグ、速度タグ、発音指定、会話文脈を踏まえた読み上げ、音声のストリーミング出力を扱えます。
音声複製には2つの使い方があります。1回だけ使う場合はMP3またはWAVをbase64化してref_audioへ渡し、再利用する場合はWorkspaceに音声を保存してvoice_idを指定します。公式のVoice cloning docsでは、保存音声のretention_noticeは既定30日、最短1日、最長365日です。本人または権利者の許諾、保存期間、削除手順を決めずに業務データを登録しないでください。
対応言語数は機能ごとの確認が必要
公式発表は文字起こしを50以上の言語、TTSを35以上の言語・50以上の方言と説明しています。一方、Voxtral Mini TTS 3のモデルカードは9言語と記載しており、リアルタイム文字起こしの数も公式ページ間で一致していません。日本語は公式発表内の言語一覧・例に含まれますが、どの音声、方言、機能の組み合わせまで利用できるかは別問題です。対応言語数を要件にする場合は、最新のLanguagesページと実際のStudio画面を照合してください。
提供開始日、対象プラン、課金条件
4モデルのリリース日は2026年10月20日です。2026年10月23日時点で確認できる提供条件を、契約形態ではなく利用経路で分けると次のようになります。
| 利用経路 | 確認できた提供状態 | 導入前の確認点 |
|---|---|---|
| Mistral API | Public Preview。EU、US、globalのエンドポイントから提供 | 組織の利用上限、対象リージョンでのモデル可用性、従量料金 |
| Studio Playground | 文字起こし、音声生成、音声複製、Voice Agentsを試せると公式発表 | 自社Workspaceで対象モデルが表示されるか、音声データの保存設定 |
| オンプレミス／プライベートクラウド | 公式発表が提供経路として案内 | 営業窓口への問い合わせが必要。公開ウェイトの自由ダウンロードとは別扱い |
「Freeで使える」「Pro限定」「Teamなら全モデル込み」といったモデル別の権利表は、今回確認した公式ページにはありません。モデルカードの「Premier」はモデル区分であり、VibeのProプランを意味する表記ではありません。APIキーを作れることと、Voxtral 3の利用枠が付与されていることも同じではないため、組織のStudioにあるLimitsと最新料金を確認してください。
Public Previewを本番安定版と読み替えない
MistralのModel lifecycle policyでは、Public Previewは一般提供前のほぼ最終段階ですが、サイレント更新が許容され、General Availabilityへの移行が保証されない段階です。料金はGeneral Availabilityと同率とされています。したがって、「有料だから挙動が固定されている」とは限りません。
本番候補にする場合は、latestエイリアスではなく固定IDを検証環境で使い、代表音声の文字起こし結果、話者ラベル、出力音声、遅延を保存して比較できるようにします。モデル更新の影響を受ける前提で、切り戻せる構成を残しておくのが現実的です。
既存の設定と運用はどこまで変えるべきか
新規プロジェクトとVoxtral 2稼働中のプロジェクトでは、必要な対応が違います。旧モデルの廃止日は、10月23日時点の移行ページでは確認できません。期限を推測して急いで置換するのではなく、互換性が変わる箇所からテストしてください。
| 現在の状態 | 対応判断 | 最初に確認する項目 |
|---|---|---|
| Voxtralを未導入 | 小さな検証を開始可能 | 録音かライブか、文字起こしか音声生成かを分けてモデルを選ぶ |
| Voxtral 2で録音を文字起こし | 互換性テストが必要 | モデルID、タイムスタンプ単位、話者セグメントの表示 |
| Voxtral 2でリアルタイム処理 | セッション初期化を重点確認 | 最初の音声チャンクより前に全設定を送れているか |
| 既存のTTS音声を利用 | 音声サンプルの再確認が必要 | 感情指定、速度タグ、発音、音声ID、出力形式 |
| 音声複製を業務利用 | 技術と権利管理を同時に確認 | 利用許諾、保存期間、削除、アクセス権、生成物のレビュー |
Voxtral 2からの変更点はモデル名だけではない
公式の移行ガイドで、既存コードに影響しやすい項目は次のとおりです。
- モデルID：Public Preview中はVoxtral 3の固定ID、またはVoxtral 3世代を明示するエイリアスへ置き換えます。移行ガイドはTTSの
voxtral-mini-tts-latestがVoxtral 3を指す時期をGeneral Availability後1か月以内としているため、現時点の移行先には使いません。 - タイムスタンプ：単語単位は廃止され、
timestamp_granularities=wordは400エラーになります。segmentへ変更します。 - リアルタイム設定：最初の音声チャンクを送った後はセッション設定を変えられません。言語、文脈バイアス、話者分離などを先に送ります。
- 話者分離：発話区間が重なる場合があるため、表示側で一方を捨てないようにします。
- 文脈バイアス：複数語の固有名詞や説明文を指定できますが、音声と同じコンテキスト枠を使います。長すぎると400エラーになります。
- TTSの感情指定：旧来の感情別音声だけに依存せず、入力内の感情タグへ移行できます。旧プリセットも受け付けると公式ガイドは説明しています。
既存モデルの停止期限が示されていない以上、「今すぐ全置換」が正解とは限りません。固定IDで並行検証し、受け入れ基準を満たした処理から切り替える方が、Public Previewの性質に合っています。
公式設定のまま導入検証を始める
以下は2026年10月23日にMistral公式docsで確認した最小構成です。本番環境で使用する前に、必ずテスト環境で動作確認してください。検証には専用Workspaceと匿名化した音声を使い、APIキーはコードへ直接書かず、環境変数MISTRAL_API_KEYから読み込みます。
準備：SDKとAPIキー
python3 -m pip install "mistralai[realtime]==3.3.0"
export MISTRAL_API_KEY="your-api-key"リアルタイム処理を使わない場合、公式のファイル文字起こし・音声生成Quickstartはpip install mistralaiも案内しています。ここでは後の検証まで見越してrealtime extraを含めています。掲載コードはPython 3.14.7とMistral SDK 3.3.0で、構文と使用メソッドの存在を確認しました。SDKの公式配布ページが示すPython要件は3.10以上です。公式Quickstart自体はバージョンを固定していないため、別バージョンを使う場合はpython3 --versionとpython3 -m pip show mistralaiの結果を記録してください。
録音済み音声を話者別・セグメント別に文字起こしする
話者分離を有効にする場合、セグメント単位のタイムスタンプも同時に指定します。次の設定名と呼び出し方は公式のDiarize speakersに沿っています。
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
with open("customer_call.wav", "rb") as audio:
transcription = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3-0",
file={"file_name": "customer_call.wav", "content": audio},
diarize=True,
timestamp_granularities=["segment"],
context_bias=["製品名", "会社名", "担当者名"],
)
for segment in transcription.segments:
print(segment.start, segment.end, segment.speaker_id, segment.text)context_biasには正しく出したい固有名詞や録音内容の説明を渡せます。項目数の固定上限ではなく、音声とコンテキストの合計で制限されるため、業務辞書を無条件で全件投入しないでください。
リアルタイム設定は音声送信前に確定する
Realtimeでは、最初の音声チャンクより前にsession.updateを送ります。次は公式docsにある話者分離の設定形です。発話終了検知も必要な場合は、同じセッションでの併用制限を確認し、目的別にセッションを分けます。
{
"type": "session.update",
"session": {
"audio_format": {
"encoding": "pcm_s16le",
"sample_rate": 16000
},
"diarize": true
}
}音声送信後の設定変更はエラーイベントになります。接続できるかだけでなく、再接続時にも初期設定が毎回適用されるかを確認してください。
プリセット音声でWAVを生成する
音声生成はclient.audio.speech.completeを使い、モデル、テキスト、音声ID、形式を指定します。公式Quickstartは返却されたaudio_dataをbase64から復号します。
import base64
import os
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="ご利用ありがとうございます。受付が完了しました。",
voice_id="voice_3133",
response_format="wav",
)
Path("reply.wav").write_bytes(base64.b64decode(response.audio_data))上のvoice_3133は、公式のVoices一覧で日本語向けとされるHarutoの音声IDです。音声の選択肢はStudioでも確認してください。音声複製を試す前に、まずプリセット音声でAPI、再生、保存、削除の経路を確認すると、権利管理と機能検証を混ぜずに進められます。
検証で見るべき項目を業務フローに合わせる
公式ベンチマークの順位だけでは、自社の音声で使えるかは判断できません。ここでは測定済みの成果を装わず、検証時に記録すべき項目だけを整理します。
文字起こしは正解文だけでなく後工程を見る
- 日本語、英語、固有名詞、数字、略語が混じる音声を分けて確認する
- MiniとSmallへ同じ録音を送り、誤りの種類と料金を比較する
- 話者分離のラベルが入れ替わった場合に、人が修正できる画面になっているか確認する
- セグメントの重複を保存し、要約やCRM登録の前処理で消していないか確認する
context_biasなし・ありの結果を保存し、固有名詞の改善と副作用を見る
文字起こしAPIの一般的な設計やWhisperとの比較軸を先に押さえたい場合は、既刊のWhisperで文字起こし｜API・ローカル実行・精度と料金【2026年9月】も参考になります。
音声生成は内容、声、運用を分けて判定する
- 読み間違えやすい会社名、商品名、氏名、日時を含む文を用意する
- 同じ入力を複数回生成し、発音と抑揚のばらつきを確認する
- ストリーミング開始までと、全文生成完了までを別々に記録する
- 生成音声を外部へ出す前に、テキストと音声の両方をレビューできるようにする
- 複製音声は登録者、許諾、保存期限、削除者を追跡できるようにする
TTS APIの入力方法・音声形式・料金を別製品と比較する場合は、Gemini 3.8 Flash TTSとは｜APIの使い方と料金【2026年9月】も参考になります。ただし、API名や対応機能は製品ごとに異なるため、設定を流用しないでください。
Public Preview用の観測点を残す
呼び出した固定モデルID、リクエスト時刻、対象リージョン、入力音声の管理番号、主要設定、応答エラーを記録します。音声そのものをログへ無制限に残す必要はありません。追跡に必要なメタデータと、社内ポリシーで許可された検証サンプルを分けて管理してください。
音声エージェント全体を他サービスと比較したい場合は、音声AIエージェント徹底比較2026で、文字起こし・推論・音声出力を分けて考える観点を確認できます。
導入時につまずきやすい5つの判断
失敗1：4モデルと5モデルを同じ確度で扱う
❌ Audio docsに5モデルとあるため、5つすべてが同じ条件・同じ価格で正式公開されたと書く。
⭕ 発表時の4モデルと、現行docsに追加表示されたRealtime TTSを分け、Studioで可用性を確認する。
失敗2：FreeまたはProの対象だと決めつける
❌ APIキーを作成できるため、無料枠で4モデルを使えると判断する。
⭕ 確認できた事実をPublic Preview、API／Studio提供、従量価格までに限定し、自社WorkspaceのLimitsを確認する。
失敗3：単語単位タイムスタンプをそのまま送る
❌ Voxtral 2のtimestamp_granularities=wordを残す。
⭕ Voxtral 3ではsegmentへ変更し、字幕や検索UIがセグメント単位でも成立するかを確認する。
失敗4：リアルタイム接続後に設定を追加する
❌ 音声を送り始めた後で、言語、話者分離、文脈バイアスを追加する。
⭕ 最初の音声チャンクより前に全設定を確定し、設定変更が必要なら新しいセッションを作る。
失敗5：掲載されている機能名を実装済みとみなす
❌ TTS docsに項目があるため、style instructionsを本番設計へ組み込む。
⭕ 公式docsが「launch時は未提供」と注記している機能は使わず、実際のAPIレスポンスとモデルカードで提供状態を確認する。
既刊から文字起こしと音声AIを掘り下げる
- Whisperで文字起こし｜API・ローカル実行・精度と料金【2026年9月】：録音データの文字起こしをAPIとローカル実行の両面から整理しています。
- Gemini 3.8 Flash TTSとは｜APIの使い方と料金【2026年9月】：別のTTS APIと機能・料金の見方を比較できます。
- 音声AIエージェント徹底比較2026：文字起こし、推論、音声生成を組み合わせる際の選定軸を確認できます。
よくある質問
Voxtral 3とは何ですか？
Mistralの音声AIモデル群です。10月20日のchangelogでは、録音向け文字起こし2モデル、リアルタイム文字起こし1モデル、音声生成1モデルの計4モデルがPublic Previewとして発表されました。別途、これらを推論モデルなどと組み合わせるVoice Agentsも公開されています。
Voxtral 3はいつから利用できますか？
4モデルのリリース日は2026年10月20日です。2026年10月23日時点で、Mistral APIとStudio Playgroundでの提供が公式に案内されています。オンプレミスまたはプライベートクラウドは問い合わせが必要です。
Voxtral 3はFree、Pro、Team、Enterpriseのどれで使えますか？
今回確認した公式資料には、Voxtral 3をVibeの各プランへ割り当てたモデル別対応表がありません。確認できるのはPublic PreviewのAPI／Studio提供と従量価格です。利用可否、上限、請求設定は自社のStudio Workspaceで確認してください。
文字起こしはMiniとSmallのどちらから試すべきですか？
公式の選択ガイドは、録音ファイルならMiniから始め、文脈バイアスを使っても誤りが残る場合にSmallを試す流れを示しています。ライブ音声にはMini Transcribe Realtime 3を使います。
Voxtral 2からすぐ移行する必要がありますか？
10月23日時点の公式移行ページには、旧モデルの具体的な廃止日が記載されていません。ただし、単語単位タイムスタンプの廃止やリアルタイム設定の確定タイミングなど、コードへ影響する変更があります。期限を推測せず、固定IDで並行検証してください。
音声複製はできますか？
Voxtral TTS 3は、参照音声を1回のリクエストに渡すzero-shot voice cloningと、保存した音声IDの再利用を案内しています。業務利用では、技術的に生成できるかだけでなく、本人・権利者の許諾、保存期間、削除、アクセス制御を先に決めてください。
Voxtral 3は4モデルですか、5モデルですか？
10月20日のchangelog、公式発表の価格表、Legal Centerが公開対象として数えるのは4モデルです。一方、10月23日時点のAudio overviewはVoxtral TTS Realtime 3を加えた5モデルを掲載しています。公式発表はリアルタイムTTSをTTS 3の提供形態（batch and realtime）として書いており、価格表とLegal Centerも4モデルのため、この記事では「発表時の4モデル」と表現しています。
日本語の文字起こしと音声生成に使えますか？
日本語は公式発表内の対応言語・評価対象に含まれています。ただし、公式ページ間で対応言語数の記載が一致しておらず、プリセット音声、複製音声、リアルタイム機能で条件が異なる可能性があります。自社の音声と利用機能を固定して確認してください。
運営元 Uravation よりAIエージェントを構想から本番運用まで進める順番と、体制・KPIの決め方をまとめた資料を無料で公開しています。 AIエージェント導入ロードマップを受け取る（無料）
参考・出典
- Mistral Docs Changelog — 10月20日の4モデル、Public Preview、固定モデルIDを確認（参照日: 2026年10月23日）
- Voxtral 3公式発表 — 機能、提供経路、料金、Studio Playground、セルフデプロイを確認（参照日: 2026年10月23日）
- Mistral API pricing — 4モデルとVoice Agents APIの標準価格を確認（参照日: 2026年10月23日）
- Model lifecycle policy — Public Previewの更新・料金・安定性の扱いを確認（参照日: 2026年10月23日）
- Migrate from Voxtral 2 — モデルID、タイムスタンプ、リアルタイム設定、TTS移行項目を確認（参照日: 2026年10月23日）
- File transcription — 文字起こしAPIの設定とエラー条件を確認（参照日: 2026年10月23日）
- Quickstart: generate speech — TTSのPython設定例を確認（参照日: 2026年10月23日）
- Voices — 日本語向けプリセット音声Harutoの音声IDを確認（参照日: 2026年10月23日）
- Voxtral Mini TTS 3 model card — TTSモデルカード上の対応言語数を確認（参照日: 2026年10月23日）
- mistralai — SDK 3.3.0とPython 3.10以上という配布メタデータを確認（参照日: 2026年10月23日）
- Mistral Legal Center: Voxtral 3 — 4モデルのリリース日とActive状態を確認（参照日: 2026年10月23日）
結論と次の一歩
Voxtral 3の10月20日発表は、「文字起こしモデルの更新」だけではありません。録音、ライブ文字起こし、音声生成を用途別モデルへ分け、Voice Agentsでつなげる構成が明確になりました。一方、4モデルと5モデル、対応言語数など、公式ページ間で揃っていない情報もあります。
最初の一歩は、録音ファイル1種類と業務上重要な固有名詞を用意し、Voxtral Mini Transcribe 3を固定IDで試すことです。既存Voxtral 2利用者は、モデルIDの置換より先に、単語タイムスタンプ、リアルタイム設定の送信順、重複セグメントの扱いを点検してください。音声生成はプリセット音声から始め、音声複製は許諾と保存ルールを決めた後に進めます。
音声AIをエージェントの業務フローへ組み込む設計を整理したい方へ
UravationではAIエージェント導入の研修・コンサルを行っています。
