Voxtral 3：Mistral、4つの音声モデルと音声エージェントAPIを同じ課金体系に

ミストラルの10月20日のリリースで興味深い数字は、単語誤り率ではない。それは1分あたり0.04ドルだ。これが同社がVoxtral 3音声エージェントに対して課金する価格である——発信者の声を聞き、その発話内容をMistral Small 4で推論し、ツールを呼び出し、そして応答するエンドツーエンドのパイプラインだ。ミストラルが個別に販売している部品を合計すると、同じ1分はより高くつく。Voxtral Mini Transcribe Realtime 3が0.008ドル、そこに通常の話速でおおよそ0.02ドルのVoxtral Mini T​TS 3、さらにその上に推論モデルが加わる。バンドルされた1分こそが製品なのだ。それ以外——Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3、Voxtral Mini Transcribe Realtime 3、Voxtral Speech 3——は、アラカルトで購入できる部品として、そして、その部品がバンドルする価値があるほど優れていることを示す手段として販売されている。音声エージェントのパイプラインは、料金表が決して口にしない形で失敗する。そして記録されたインシデントはOrcaRouter AIインシデントアーカイブに整理されており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付されている。

モデルごとに、実際に何が新しいのか

これはファミリー全体の刷新であり、1つのモデルのバージョンアップではありません。各製品にはそれぞれ異なる役割と価格があり、共通の名前以上にその分け方が重要です。

• Voxtral Small Transcribe 3 — 精度重視の階層です。1分あたり0.004ドル、32kコンテキスト、そして話者分離付き文字起こしに対するMistralの旗艦的な主張です。翻訳、音声Q&A、要約、関数呼び出しも行うため、ファミリーの中で文字起こしツールというより音声言語モデルに近い唯一のメンバーとなっています。

• Voxtral Mini Transcribe 3 — 40億パラメータ、1分あたり0.0035ドル、32kコンテキスト。Mistralはこのモデルのサイズは公開しているが、Smallモデルのサイズは明かしていない。この非対称性は注目に値する。ミニモデルは大量処理とエッジ展開向けに位置づけられているため、そのフットプリントはセールスポイントになるが、フラッグシップモデルのそれは開示されていないのだ。

• Voxtral Mini Transcribe Realtime 3 — WebSocket経由のストリーミングで1分あたり$0.008、レイテンシは80 msから2,400 msまで設定可能で、ターン終了検出は無音を待つのではなく音響的および意味的な手がかりを組み合わせます。ドキュメントには「500 ms未満」とありますが、設定可能な下限はそれよりはるかに低く、低く設定した場合の精度コストは無視できません — ベンチマークのセクションをご覧ください。

• Voxtral Speech 3（ドキュメント内ではVoxtral Mini T​TS 3として販売）— 100万文字あたり13ドル、最初の音声出力まで約90ms、34個の感情タグと2個のペースタグ、9言語、ゼロショットおよび「プロフェッショナル」音声クローニング。Mistralのローンチページでは、クローニングには30分以上の参照音声が必要とされています。

その下層にあるのが音声エージェントSDKで、LiveKitとストリーミングASR、LLM、TTSを1つのパイプラインとして構築しています。SIP通話、WebRTCセッション、既存のテレフォニーやIVRトランクを受け入れ、割り込み発話に対応し、エージェントを作り直すことなく推論モデル、音声、言語を差し替えられます。Mistralはターンあたりのレイテンシが1秒未満だと公称しています。

ベンチマーク表を注意深く読んでください。

Mistralは自社の数値を公開しており、それは良好な数値だ。FLEURS 45のマクロ平均単語誤り率では、Voxtral Small Transcribe 3が言語強制時4.1%、言語推論時4.0%を記録。Voxtral Mini Transcribe 3は4.6% / 4.5%だ。同じベンダー表での比較では、G​emini 3.5 Transcribeが6.1% / 4.5%、Scribe v2が4.9%、G​PT Transcribeが6.3% / 5.6%、Whisper large-v3が16.0% / 14.9%となっている。

その表には、もう一度見直すべき2つの点がある。第一に、MicrosoftのMAI-Transcribe-2は4.1% / 4.0%——Voxtral Small Transcribe 3と小数点まで完全に同一だ。フラッグシップが最も近い競合と完全に並ぶベンダーの表は、正直な同点か、丸めた同点のどちらかであり、Mistralはどちらなのか明言していない。第二に、Whisperの数値は、他の誰もがWhisperについて引用する数値ではない。Whisper large-v3はOpen ASR Leaderboardで平均WER 7.44を記録し、TurboバリアントはArtificial Analysisの独立系ボードで4.6%だ。16%というのは、特に難しい多言語FLEURS音声におけるWhisperの姿であり、実運用の英語における姿ではない。競合に対して利用可能な中で最も厳しいスライスを使うのは普通のマーケティング手法だが、それはマーケティング上の一手である。

独立系のボードは、より厳しい実態を示している。Artificial Analysisでは、Voxtral Small Transcribe 3がAA-WER 2.1%、Voxtral Mini Transcribe 3が2.2%を記録しており、これを書いている時点では非ストリーミングのリーダーボードで1位と2位につけている。その上の枠にはMAI-Transcribe-2が2.0%で入っているが、これはボードをいつ読むかによって変わる。これらは十分に接近しているため、再実行すれば順位は入れ替わるだろう。0.1ポイントの差から勝者を引用するのは、ノイズを引用しているにすぎない。

リアルタイム階層が精度を取り戻すところ

Mistralが公開した中で最も有用なのはストリーミングの数値です。なぜなら、それが最も都合の悪い数字だからです。FLEURS 35では、オフラインのVoxtral Mini Transcribe 3ベースラインのWERは4.0%です。リアルタイムモデルは、より早く答えさせようとすると単調に劣化します。

• レイテンシ 2,400 ms — WER 5.7%

• 960 ms — 6.0%

• 480 ms — 6.4%

• 240 ms — 7.4%

それに対して、MistralはG​emini 3.5 Realtime Transcribeを4.2%、Microsoftのストリーミングティアを5.8%、G​PT Live Transcribeを8.4%、Scribe v2 Realtimeを8.7%と挙げている。したがって正直に読めば、余裕のある2.4秒の遅延では、VoxtralのリアルタイムティアはMicrosoftと互角で、O​penAIとElevenLabsのストリーミングモデルを上回るが、G​oogleのモデルは上回らず、240 msでは下位2モデルを除くすべてより悪い。sub-500 msという見出しは事実だが、同じ音声をオフラインで処理する場合と比べて精度がおよそ3ポイント犠牲になるだけのことだ。

話者分離は、このファミリーが最も強く見える分野であり、ベンダー比較表が最も大きな役割を果たしている分野でもある。連結最小置換WERでは、MistralはVoxtral Small Transcribe 3で18.4%、Miniで18.6%、Pyannote Orchestrator Precision 3で19.0%、MAI-Transcribe-2で20.3%、G​emini 3.5 Transcribeで38.4%と報告している。話者帰属におけるG​eminiとの20ポイント差は、会議の文字起こしや通話QAといった製品を決め得る類の数字だが、それはあるベンダーのハーネスを別のベンダーのモデルに対して用いた結果にすぎず、第三者が再実行したものではない。

料金で購入できる時間数

分単位の課金は比較しやすい一方、代替がトークン単位になると間違えやすい。1,000音声時間に換算すると、これは中規模コンタクトセンターのおよそ1か月分に相当します：

• Voxtral Mini Transcribe 3 — 1,000時間あたり210ドル（1分あたり0.0035ドル）

• Voxtral Small Transcribe 3 — 1,000時間あたり240ドル、1分あたり0.004ドル

• Voxtral Mini Transcribe Realtime 3 — 1,000時間あたり480ドル（1分あたり0.008ドル）

• Mistral Small 4 の推論機能を備えた音声エージェント API — 会話1,000時間あたり$2,400（$0.04/分）

エージェント層は文字起こし層の5〜11倍の価格で、推論モデルと音声合成が含まれることを考えれば、これは妥当な桁の大きさだ。ここが利幅の出る領域でもあり、Mistralのポジショニング——本人確認、請求書確認、予約受付——は、完了した1件のタスクが1分の計算資源よりも価値がある通話向けに選ばれている。

価格表全体に関する構造上の注意点が1つあります。ここにあるモデルはすべてパブリックプレビューの段階にあり、GAではありません。そして、プレビュー価格はこれまでも発表の中で変動してきました。$0.0035が$0.0035のままであるという公約は公表されていません。

Mistralが提供しなかったもの

重みは提供されていません。ローンチページには、Voxtral 3 は EU、米国、グローバルの各エンドポイントを備えた Mistral の API を通じて利用でき、「自社インフラ上でのセルフデプロイ用」でもあると書かれている。しかし、ライセンスは公開されておらず、4 モデル中 3 モデルのパラメータ数も、Hugging Face リポジトリも公表されていない。参考までに、Mistral の以前の音声モデル公開はダウンロード可能だった。Voxtral Small 24B 2507 は Hugging Face 上で Apache 2.0、Voxtral 4B TTS 2603 は CC-BY-NC-4.0、Voxtral Mini 4B Realtime Arabic は 10 月 8 日に公開され、ライセンスは一切明示されていなかった。今回のリリースは、ダウンロード可能なメンバーを持たない最初の Voxtral 世代だ。ここでのセルフデプロイは、ダウンロードではなくエンタープライズ契約を意味するものと読み取れる。

また欠けているのは、音声の最大長、TTS またはエージェント階層に関するコンテキスト値、そしてエンドポイントのリージョン以外の保持やデータ所在地の詳細です。これを規制対象の通話録音向けに評価しているなら、これら3つの不足点は、ローンチ投稿からではなく調達の会話の中で埋めるべきものです。

実際に試す方法

Voxtral 3 は現在 OrcaRouter のカタログには存在しないため、それを評価するためのルートは Mistral 自身の API と Studio のプレイグラウンドであり、これらは文字起こし、音声生成、ボイスクローニング、エージェントパイプラインをカバーしています。ルーターが実際に役立つのは意思決定の後半部分です。音声スタックを1つだけ使うことはほとんどなく、エージェントのツール呼び出しを処理する推論モデルを単一のエンドポイントの背後に置けば、パイプラインを作り直すことなく、同じ文字起こし上で Mistral Small 4 を他の十数個のモデルと比較できます。OrcaRouter はプロバイダーの定価をそのまま0%のマークアップで提供し、プロバイダー間で自動的にフェイルオーバーし、これはまさにこうした状況——稼働実績のないプレビュー段階のモデルを前にしているとき——で最も重要になります。

今週評価するなら、実践的な順序はこうだ。まず、自分の環境で最も条件の悪い音声を、同じ200ファイルで Voxtral Small Transcribe 3 と MAI-Transcribe-2 に通す。両ベンダーが同じ FLEURS スコアを公表しており、その差を決められるのは自分の音声だけだからだ。次に、リアルタイムティアを960 msと2,400 msで実行し、発話終了検出器が通話者を文の途中で遮る頻度を数える。この失敗モードは、ライブエージェントではこのファミリーのどのWER差よりも大きなコストになる。その後、エージェントの1分単価を、文字起こしの請求額ではなくコンテインメント率と突き合わせて評価する。

何を観るべきか

このリリースが長く評価され続けるかどうかは、3つの点で決まる。話者分離に関する主張の独立した再現実験——これはローンチの中で購入判断を本当に変えうる唯一の数値だ。重みが公開されるかどうか——ダウンロード可能なVoxtralは、欧州言語の話者分離における既定のオープン選択肢に直ちになり、上記の価格論全体を崩すだろうから。そして、サブ秒のエージェント遅延が、フランス語の紹介状のデモではなく実際の電話環境で維持されるかどうか——割り込みと発話終了検出は音声エージェントがたいてい失敗する箇所であり、どちらもベンダーのブログ記事だけでは証拠として通用しない。