Voxtral 3 TTS vs Voxtral 4B TTS：ダウンロードできない新しいモデル

気まずい事実は、Voxtral 3 T​TSが、Voxtral 4B T​TSより、測定可能なほぼあらゆる点で優れている一方、一部の導入を左右するただ一点では劣っているということです。それは手に入らないということです。Mistralは2026年3月23日にVoxtral 4B T​TSをオープンウェイトとしてリリースしました——mistralai/Voxtral-4B-T​TS-2603はHugging Face上でCC BY-NC 4.0として公開されており、自身のアクセラレータでダウンロードして実行できます。Voxtral 3 T​TSは2026年10月20日にAPI製品としてのみ登場しました。ローンチページにはEU、米国、グローバルのエンドポイント、Studioのプレイグラウンド、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書かれていますが、ウェイトが利用可能だとは一度も述べていません。つまり、7か月後の後継モデルはブラインドリスニングのボードで127 Elo優れており（1,217対1,090）、100万文字あたり$13対$16で19%安く、毎秒112文字対79文字で約42%高速ですが、それでもそれが置き換えるモデルのドロップイン代替にはなりません。なぜなら、企業が実際に所有できるこのファミリーの唯一のモデルは旧モデルだからです。このようなリリースの背後にある、記録されたAI障害やエージェントインシデントは次に収集されています：OrcaRouter AI Incident Archiveでは、各エントリに独自の情報源、重大度、信頼度グレード、異議フラグが付いています。

2つのモデル、7か月、1つのライセンス境界

その境界は、あらゆるベンチマークの前に正確に明示しておく価値がある。なぜなら、それが比較全体の順序を変えてしまうからだ。

• Voxtral 4B TTS — CC BY-NC 4.0 の下で公開されたオープンウェイト。非商用。ダウンロード、調査、実行、ファインチューニングは可能ですが、有償製品に組み込んで出荷することはできません。この制限は、チェックポイントの技術的制約によるものではなく、その背後にある参照音声データセットに由来して継承されたものです。内部評価目的でのセルフホストは問題ありませんが、顧客向けの商用サービスでのセルフホストは許可されません。

• Voxtral 3 T​TS — クローズド。2026年10月21日時点で重みは公開されていません。Mistralのページにある「プライベートインフラストラクチャまたはプライベートクラウド上でのセルフデプロイ」は、ベンダーと交渉して締結するエンタープライズ向けデプロイ提供であり、ダウンロードリンクではありません。そして、その2つを混同することが、あのページをざっと読むときに最も簡単に犯す誤りです。

実務上の帰結はこうだ。Voxtral 4B TTS を求めた理由が「音声がネットワークの外に出ないこと」だったなら、Mistral と何らかの契約を結ばない限り、Voxtral 3 TTS ではそれを代替できない。理由が「ホスト型 API より安いこと」だったなら、Voxtral 3 TTS は価格の面で代替し、品質の面では上回る。しかもファイルではなくサービスを購入することになるため、ライセンスの問題は消える。同じ7か月の空白も、あなたの状況がこの2文のどちらで説明されるかによって、異なる形で解消される。

スコアボード

• プロバイダー Voice Elo — Voxtral 3 T​TS：1,217（98件中13位）、95%区間 1,202–1,232。Voxtral 4B T​TS：1,090（46位）、区間 1,078–1,102。いずれもArtificial Analysisによるもので、2026年10月21日時点。

• 100万文字あたりの価格 — $13.00 対 $16.00。音声1分あたり約900文字とすると、1時間あたり $0.70 対 $0.86。

• スループット — 各モデルのネイティブホスト上でArtificial Analysisが測定した中央値は毎秒112文字、対して79文字。

• 言語 — Voxtral 3 T​TS：35+言語、50+方言、18種類のプリセット。Voxtral 4B T​TS：9言語 — 英語、フランス語、ドイツ語、スペイン語、オランダ語、ポルトガル語、イタリア語、ヒンディー語、アラビア語、方言サポート付き。

• 音声適応 — Voxtral 3 T​TS：「Pro Voice」、音声30分。Voxtral 4B T​TS：5～25秒の参照プロンプト（モデルカードでは最短3秒と記載）。

• 重み — クローズド対オープン（CC BY-NC 4.0）。

言語対応の面こそ、誰も書いてこなかった最大の変更だ。Voxtral 4B T​TSは9言語に対応しているが、新モデルは35以上の言語と50以上の方言をうたっている。これは製品の4倍への拡張であり、アップグレードの根拠としてはEloよりも強い——127ポイントではリーダーボードの中位から中位へ移るだけだが、9言語から35言語になることは、販売できる市場を変えるのだ。

声適応の路線は逆方向に進んでおり、これが唯一の真の後退だ。Voxtral 4B T​TSは短い参照クリップからクローンを作る——モデルカードによれば最短3秒で、アーキテクチャは5～25秒のプロンプトウィンドウを記述している。Voxtral 3 T​TSのPro Voiceは、話者の性格、感情の幅、スタイルを言語をまたいで再現するために30分の音声を必要とする。30分はスタジオセッションだ。3秒は機能だ。製品がユーザーに自分の声を聞かせるなら、新しいモデルの方がその仕事では劣っている。

4B の実際の正体とは、内部の仕組みでは何なのか

旧モデルの名称に含まれるパラメータ数は実際のアーキテクチャを表しており、その強みと、後継モデルが単なるその拡大版ではない理由の両方を説明している。

Voxtral 4B TTSは約40億パラメータを3つの部分に分けた構成です。Ministral 3Bを基盤とする3.4Bのトランスフォーマーデコーダバックボーン、390Mのフローマッチング音響トランスフォーマー、300Mのニューラルオーディオコーデックです。これは8,192トークン語彙のセマンティックVQコーデック上で自己回帰的に動作し、36次元・21レベルで音響FSQ特徴を予測するフローマッチングヘッドに供給され、12.5 Hzで動作します。平たく言えば、小さな言語モデルがテキストを読み取って計画を立て、フローマッチングネットワークがその計画を音響特徴に変換し、コーデックが特徴をサンプルに変換します。ネイティブで最大2分間生成でき、それより長い出力はAPI内でのインターリーブによって処理されます。

Mistralが公表した3月モデルの数値は、10秒の音声サンプルと500文字に対してモデルレイテンシ70ミリ秒、リアルタイム係数約9.7倍だった。これらの数値はMistralのサービングスタック上で測定されたもので、独立した測定ではなく、その世代としては実際に高速だったモデルを表している。Artificial Analysisにおける10月モデルのスループットは、79文字/秒に対して112文字/秒であり、後継モデルがさらに高速であることを示唆する。しかしMistralはVoxtral 3 T​TSについて、最初の音声出力までの時間をまったく公表していない。前のT​TSモデルでレイテンシの数値を前面に打ち出していた企業にしては、奇妙な欠落だ。

アーキテクチャの2世代は、言語数にも表れている。3月は9言語、10月は35言語以上で、このファミリーの文字起こしモデルはEUの24の公式言語すべてに対応すると謳っている。2つのチェックポイントの間で変わったことは、音響スタックよりも、トレーニングデータとトークナイザーのカバレッジをはるかに大きく変えた。

誰が4Bを保持し、誰が移動すべきか

次のいずれかに当てはまる場合は、Voxtral 4B T​TS を使い続けてください。音声を自分で管理するハードウェア上で処理する必要があり、プライベートなデプロイについて交渉の余地がない場合。研究や評価を行っている場合。CC BY-NC 4.0 は使用を許可しており、ライセンス費用はかかりません。短い参照音声によるボイスクローニングが必要な場合。3秒と30分では、比べるまでもありません。対応する9言語のいずれかで作業しており、品質が十分である場合。その場合、すでに運用している無料のチェックポイントは、呼び出す必要のあるより優れたものよりも価値があります。

次のいずれかに当てはまるなら、Voxtral 3 T​TS に移行してください。出力を販売しているため、そもそも4Bを商用でセルフホストすることは許されていなかった場合——その場合はすでに1,000文字あたり$0.016のAPIを使っていたはずで、新しい100万文字あたり$13は、127-Elo優れたモデルに対して19%安く、この記事の中で最も簡単なアップグレードです。元の9言語以外の言語が必要な場合。エージェントスタックが必要な場合：Voxtral 3 T​TSにはLiveKitベースの音声エージェントSDK、SIPとWebRTCのサポート、1秒未満のエージェントターン、Mistral Small 4推論込みで1分あたり$0.04のバンドル価格が付属しており、これらは3月のモデル当時には存在しませんでした。

両方を運用すべき第三のグループがあり、それは見かけより大きな存在だ。オープンチェックポイントでプロトタイプを作り、APIで提供するチームである。Voxtral 4B T​TS は、呼び出しごとのコストもデータが外部に出ることもなく、プロンプト、声、障害モードをテストできるローカルモデルを提供する。Voxtral 3 T​TS は、言語カバレッジと販売ライセンスを備えた本番エンドポイントを提供する。両者は同じファミリーの系譜を共有するが、APIサーフェスは共有しない。そのため、プロンプトには再調整が必要になる前提で計画すべきだ。127ポイントの品質差はバージョンアップではなく別モデルであり、4Bである挙動を示した方向性の制御がそのまま引き継がれるとは限らない。

本番経路がベンダー障害を乗り切る必要があるなら、それが音声合成呼び出しを Mistral に直接行うのではなく、ルーターの背後に置くべき根拠です。OrcaRouter は200 以上のモデルにまたがる 1 つの OpenAI 互換エンドポイントを、プロバイダーの定価を 0% のマークアップでそのまま適用して提供するため、ある音声合成バックエンドで障害が起きてもフェイルオーバーし、沈黙することなく — 夜間バッチをレンダリングする音声パイプラインは、死んだエンドポイントが 1 リクエストではなく一晩を失わせるまさにそのワークロードです。Mistral のモデルは Mistral 自身の API および複数のサードパーティプラットフォーム経由で利用できます。特定のモデル ID を前提に設計する前に、カタログで現在の可用性を確認してください。

Mistralが答えていない質問

Voxtral 3 T​TSはオープンウェイトを公開するのか？3月のモデルは非商用ライセンスの下で公開され、欧州のラボによるオープンT​TSチェックポイントとはどのようなものかを示す基準点となった。10月の発表にはそれを繰り返すものは何もない。ページはAPIアクセスとプライベートデプロイについて明示している一方、ダウンロードについては沈黙しており、これはMistralが数か月後にウェイトを公開する前に、複数のテキストモデルで用いたのと同じパターンだ。

仮に重みが公開されたとしても、比較の構図は一変する。オープンモデルが商業利用可能かどうかはライセンス条件が決めることになり、その前例であるCC BY-NC 4.0を踏まえると、商業利用は認められない可能性が高い。そうなれば状況はほぼ現状のままで、ダウンロード可能なモデルは研究成果物、実用に供されるのはサービスということになる。

もう一つの未解決の疑問は、4B が API 掲載を維持するかどうかだ。Mistral の音声価格表には新しいファミリーが掲載され、3月のモデルには言及していないが、Artificial Analysis は依然として有効なホストで$16として追跡している。歴史的に Mistral は古い音声モデルをロングテール向けに呼び出し可能なままにしてきた。それが続くなら、チームには実に有用なフォールバックがある——やや劣り、やや高価だが、それでも別のデプロイだ。そうでなければ、3月にvoxtral-mini-tts-latest上に構築した人は、次の請求の前に、そのエイリアスが現在どのモデルに解決されるかを確認する必要がある。

要するに、Voxtral 3 T​TS はより優れたモデルであり、より劣った資産だ。言語、品質、エージェントスタックを理由にこれを選び、ローカル作業、短い参照音声からのクローニング、すでに得意とする9言語には Voxtral 4B T​TS を残すべきだ。明確に正しい唯一の移行は、4B のホスト型 API から新しい API への移行である。同じベンダーでライセンス方針も同じ、より安くより良い。そして、この比較でコストをかけずに実行できる唯一の移行でもある。