MistralのVoxtral 3が、Transcribeモデルで第3位、そして13ドルの音声を実現

最初に示すべき数字は2.1%です。これはArtificial AnalysisがVoxtral Small Transcribe 3について測定した単語誤り率で、これによりMistralの新しい認識モデルは、2026年10月21日時点の独立系音声認識リーダーボードで3位になります——AlibabaのFun-Realtime-ASR-preview（1.7%）とMicrosoftのMAI-Transcribe-2（2.0%）だけに後れ、ElevenLabs Scribe v2（2.2%）を上回っています。同じ10月20日のリリースではVoxtral 3 TTSも提供されました。これは100万文字あたり13ドルで、Provider Voice arenaで13位、Controlled Voice arenaで14位の音声合成モデルです。これらの結果の一方は、順位表を本当に上がるもの。もう一方は、攻めの価格設定を伴う、そつなく中位に入る製品であり、この2つがどのように発表されたかと実際のスコアとの差こそ、今回のローンチで最も有用な点です。このようなリリースの背景にある、文書化されたAI障害とエージェントインシデントはOrcaRouter AI Incident Archiveにまとめられており、各項目には独自の情報源、重大度、確信度グレード、係争中フラグが付いています。

以下では、主張を3種類に分けて示します。Artificial Analysisのブラインドリスニングおよび文字起こしボードによる数値（独立系）、Mistral自身のローンチページによる数値（ベンダー報告）、そして公開価格からここで計算した算術です。これらは互換性がなく、ローンチページはそれらを混同しやすく提示しています。

実際にMistralを順位表で上昇させるのは、文字起こしの結果です。

Voxtral Small Transcribe 3は4モデル構成のファミリーの旗艦であり、今回のリリースの中で既存製品を完全に上回る独立したスコアを持つ唯一のモデルです。WER 2.1%は、MicrosoftのMAI-Transcribe-2に0.1ポイント及ばず、Scribe v2より0.1ポイント優れています。その差は単一の評価セットのノイズの範囲に十分収まるものですが、Mistralを追う側の集団ではなく、表のトップを争う議論に加えるには十分です。

速度の数値のほうが、より驚きの大きい半面だ。Artificial Analysisは、Voxtral Small Transcribe 3の速度係数の中央値を66.6と測定している。これに対し、首位のFun-Realtime-ASR-previewは20.3、MAI-Transcribe-2は308.8だ。平たく言えば、Mistralのモデルは計算1分あたり約67分の音声を文字起こしする。これはMicrosoftのモデルより4倍遅く、A​libabaのモデルより3倍速い。安価で高精度、ほどよく低速というのはバッチ文字起こしには申し分ない特性だ。インタラクティブな用途には不向きであり、だからこそMistralは別個にリアルタイムモデルを販売している。

10月20日出荷時点のファミリー：

• Voxtral Small Transcribe 3 — 50以上の言語、話者分離、コンテキストバイアス対応、1分あたり$0.004（1,000分あたり$4.00）。精度重視の選択肢。

• Voxtral Mini Transcribe 3 — 4Bパラメータ、50以上の言語、1分あたり0.0035ドル。同じボードでWER 2.2%を記録——Smallモデルと統計的に同等でありながら12.5%安価で、Smallティアの割高分を精度だけで正当化するのは難しい。

• Voxtral Mini Transcribe Realtime 3 — ストリーミング対応、500ms未満のレイテンシーをうたう、1分あたり$0.008。Mistral自身のページでは、このモデルについて「35以上の言語」と「40以上の言語」の両方が2つの異なる箇所に記載されている。どちらが正しいかを外部で検証した者はいない。

• Voxtral 3 TTS — バッチおよびリアルタイム合成を100万文字あたり13ドルで提供。35以上の言語と50以上の方言に対応。Mistralの料金表では「Voxtral Speech 3」と呼ばれ、ドキュメントではvoxtral-mini-tts-3-0。

Mistral自身のFLEURS 45評価では、Voxtral Small Transcribe 3は言語を強制指定した場合にWER 4.1%、言語を推論した場合に4.0%を報告しています。これはArtificial Analysisが実施しているベンチマークとは別のものなので、ベンダーページでは4%、独立系のボードでは2.1%と表示されます。どちらの数値も誤りではありません。どちらがどちらなのかを示さずに同じ文で引用することが、製品発表時の報道が誤る原因です。Mistralはまた、比較対象セット内で最小のダイアライゼーションエラー18.4% cpWER、コンテキストバイアスありでキーフレーズ再現率94.6%（バイアスなしでは81.4%）を主張していますが、これはベンダー報告値であり、再現されていません。

音声モデルは中堅どころで、価格がものを言っている

Mistralのソーシャル投稿は、TTSのローンチを音声合成の2つのアリーナでトップ12入りしたものとして位置づけている。10月21日時点のライブボードは、やや控えめな内容を示している。Voxtral 3 TTSはProvider Voiceで1,217 Elo（95%区間1,202～1,232、11位から17位にまたがる同率帯）の13位、Controlled Voiceで1,066 Elo（10位から19位にまたがる同率帯）の14位だ。つまり、どちらもトップ15に入っており、信頼区間が他の5モデルと重なるため、正確な順位は安定した事実ではない。これはモデルがボードに登場して2日目であり、比較回数1,619は、トップ勢が蓄積した3,000回超を大きく下回っている。

安定しているのは、順位表の周辺の顔ぶれだ。1,217 Eloでは、Voxtral 3 T​TSはRealtime T​TS-2 FlashおよびStepAudio 2.5 T​TSと並んでおり、1,182のElevenLabs Eleven v3を上回り、1,289のCartesia Sonic 3.6、1,299のQ​wen-Audio-3.1-T​TS-Plus、1,328のElevenLabs Eleven v4を下回っている。

その位置づけについて、率直に言っておくべきことが二つある。第一に、Voxtral 3 TTS は Mistral にとって世代を追うごとの明確な改善だ。2026年3月の Voxtral TTS は同じボードで1,090点を記録したので、これは127ポイントの上昇である。第二に、その上昇はフロンティアとの差を埋めるには至らなかった。Mistral の前モデルは大きく後れていたが、新しいモデルは中位に位置している。

100万文字あたり13ドルで実際に何が手に入るのか

価格こそがこのリリースの面白いところであり、プレスリリースを素直に読むと誤解させられる点でもある。100万文字あたり13ドルで、1分あたり約900文字の音声を想定すると、Voxtral 3 T​TSは生成音声1時間あたり約0.70ドルかかる。Cartesia Sonic 3.6は49ドルで1時間2.65ドル、ElevenLabs Eleven v4は80ドルで4.32ドル、Q​wen-Audio-3.0-T​TS-Plusは19.31ドルで1.04ドルだ。プレミアム層と比べると、節約額は現実的かつ大きい。

バリュー価格帯に対しては、決定的な圧勝ではない。{{1}}Simba 3.2{{/1}}は1,245 Eloで10位につけ、{{2}}Voxtral 3 T​TS{{/2}}を28ポイント上回る。価格は100万文字あたり6.6ドルで、半分の価格だ。{{3}}Realtime T​TS-2 Flash{{/3}}は同じ1,217 Eloで10.4ドル。{{4}}Gemini 3.8 Flash-Lite T​TS{{/4}}は1,250で11ドル。Eloを線形として扱う粗いElo対ドル比（実際には線形ではなく、測定値ではなく大まかな並べ替えとして読むべきもの）では、{{5}}Voxtral 3 T​TS{{/5}}は1ドルあたり約94ポイントとなり、{{6}}Simba 3.2{{/6}}の189、{{7}}Realtime T​TS-2 Flash{{/7}}の118と対比される。

正直にまとめると、Mistralはこのモデルを破壊的というより守りやすい価格に設定した。Eloで50以上勝るあらゆるモデルより安くしている一方、品質で勝る少なくとも3つのモデルには価値で劣る。それは通常のローンチであり、価格改定イベントではない。

ここでルーティングが重要になるのは、その比較をスプレッドシートの中ではなく、常に最新の状態に保つことです。OrcaRouter は 200+ モデルを 1 つの API で提供し、プロバイダーの定価を 0% のマークアップでそのまま通すため、Mistral のようなベンダーが料金を変更すれば、コードが参照する数値もそれに追随し、音声パイプラインの背後にある合成エンドポイントの差し替えも、2 つ目の契約ではなく設定変更で済みます。Voxtral 3 T​TS がそのパイプラインに属するかどうかは、それがボード上で最良のモデルかどうかとは別の問題です。そして現時点のボード上では、そうではありません。

モデルではないリリースの部分

10月20日にMistralがリリースした中で最も重要なものは、評価対象のどちらのモデルでもないかもしれない。このファミリーにはLiveKit上に構築された音声エージェントSDKが付属し、SIP電話、WebRTC、IVR、コンタクトセンター連携をサポートしている。主張によれば、エージェントの1ターン全体が1秒未満で、割り込み処理にも対応する。Mistralは、音声入力、推論、音声出力というエージェントループ全体の価格を、推論モデルがMistral Small 4の場合は1分0.04ドル、別の推論モデルの場合は1分0.08ドルに設定している。

その分単位のバンドルは、文字単位のTTS料金とは異なる単位であり、両者を直接比較するのはよくある間違いです。1分間の通話のうち30秒話す音声エージェントは、約4,500文字分の合成を消費します。これは100万文字あたり13ドルで計算すると6セント未満です。したがって、0.04ドルのバンドルは、そもそもMistralの推論モデルを望んでいた場合に限り、部品を自分で組み立てる場合と競争力があります。このバンドルは、フェイルオーバーの議論が本番環境で価値を発揮する場面でもあります。合成エンドポイントが停止した音声エージェントは沈黙した電話回線であり、そのパイプラインの推論部分は、まさに自動フェイルオーバーこそが対応すべき種類のものです

Mistralが提供しなかったのはオープンウェイトだ。Voxtral 3のページでは、APIアクセス、Studioプレイグラウンド、プライベートインフラストラクチャ上でのセルフデプロイについて説明されているが、ウェイトがダウンロード可能であるとは一切記載されていない。3月のVoxtral TTSはCC BY-NC 4.0の下でHugging Face上にリリースされたが、今回のリリースにはそれを踏襲する記述はない。セルフホスティングが要件である場合、この世代は現時点でその要件に応えていない。

まだ誰も測定していない3つのこと

Voxtral 3 T​TS について公開されたレイテンシ数値がないことが、ローンチ資料における最も際立った欠落だ。Mistral はリアルタイム文字起こしで 500ms 未満、エージェントの 1 ターン全体で 1 秒未満を示しているが、合成における time-to-first-audio は示していない。これは音声エージェントが会話的に感じられるかを決める数値だ。Artificial Analysis は生成時間の中央値 7.2 秒とスループットの中央値 112 文字/秒を報告しているが、どちらもストリーミング時の挙動ではなくバッチレンダリングを表している。112 文字/秒という中央値はまずまずだ——ElevenLabs Eleven v3 の 56 より速く、Sonic 3.6 の 145 より遅い——が、最初の 200 ミリ秒については何も語っていない。

ボイスクローニングは2つ目のギャップだ。Mistralの「Pro Voice」適応は、30分の音声から話者の個性と感情の幅を再現する。これはスタジオ品質のプロセスであり、Cartesiaがうたう10秒の即時クローンやElevenLabsが提供する30秒クローンではない。そしてVoxtral 3 T​TSを、ユーザー生成のキャラクター制作ではなくブランドボイス向けに位置づけている。

第三は耐久性です。Mistral自身の資料にはTTSエンドポイントの最大生成長についての記載がなく、アリーナのサンプルは短いクリップです。長尺ナレーションでは、10分間にわたって一貫性を保てるなら、中位のEloモデルでも依然として適切な選択肢になり得ますが、そのテストを公開した人は誰もいません。

10月20日を公平に読むなら、Mistralは本物の文字起こし競合製品と、候補リストに入るほど優れ、試すのに十分安いT​TSモデルを投入した、ということになる。文字起こしのリーダーボードでは、同社は見出しを勝ち取った。音声合成のリーダーボードでは、見出しを買ったのだ。