ミストラル AI は火曜日、新しい音声モデル ファミリと音声エージェント SDK である Voxtral 3 を発表しました。フランスの AI 企業によれば、リスニング、推論、ツール呼び出し、音声合成を 1 つのリアルタイム ストリーミング パイプラインで組み合わせたものです。ミストラルの公式ブログで公開されたこのリリースは、コンタクトセンター、サービスデスク、仮想アシスタント、ハンズフリー副操縦士を対象としている。これらは音声AI市場の中で、遅延と精度が発信者が電話を切るかどうかに直接影響する部分だ。
この発表は、ミストラルのサイト上で、フランス語で口頭でのリクエストに対応するエージェントを示すライブデモンストレーションとともに掲載された。電話をかけてきた人が医師からの紹介状を読み上げ、エージェントがそれを文字に起こし、予約ツールに電話をかけ、予約を確認する――会話の途中で言語を切り替えながら。 この件の詳細は、AIの最新動向をご覧ください。
ミストラルが実際に出荷したもの
Voxtral 3 は単一のモデルではなく、スタックです。音声からテキストへの変換機能は、Voxtral Small Transcribe 3 によって主導されています。Mistral は、これを多言語文字起こし、話者ダイアリゼーション、コンテキスト バイアスの最先端技術であると説明しています。言語サポートは現在、EU の公式 24 言語すべてと、同社がリソースの少ないアジアおよびインドの言語と呼ぶものを含む 50 言語をカバーしています。
3 つの機能が特に強調されます。ダイアライゼーションにより、マルチスピーカーの音声で誰が何を言ったかを識別します。コンテキスト バイアスにより、開発者は製品名、医薬品コード、技術用語などの重要な用語をフィードできるため、転写者は微調整することなくドメイン固有の単語を思い出すことができます。ターン終了の検出により、エージェントは話者が実際に終了したことを知ることができるため、不快な遅延や中断を生じることなく応答できます。
生成面では、Voxtral Mini TTS 3 は、会話の文脈に基づいて感情、ペース、強調を調整する音声を導入し、35 以上の言語と 50 以上の方言をサポートしています。別の Pro Voice アダプテーション機能は、わずか 30 分のリファレンス音声から特定の話者の声のキャラクターと話し方をさまざまな言語で再現します。この機能は、音声のクローン化に向けて一歩進んでおり、同意の面で厳しい目が向けられる可能性があります。
ベンチマークの主張と価格
発表によると、Voxtral Small Transcribe 3 は、Artificial Analysis の FLEURS ベースの多言語転写およびダイアライゼーション評価において、OpenAI の Whisper、Amazon の Scribe v2、Gemini 3.5 Transcribe を上回り、強制設定および推論設定の単語エラー率は 1 桁前半とされています。いつものように、ベンダーが公開したベンチマークは独立した検証に値しますが、その主張は、Mistral のトランスクライバーを、混雑した多言語パックの先頭に位置させます。
価格設定は強気です。小型のトランスクライバーである 40 億パラメータ モデルの料金は、音声 1 分あたり 0.0035 ドルで、一般的な企業のトランスクリプション予算を十分に下回っており、大量のコンタクト センターのワークロードにも対応できます。
SDK 自体は結合組織です。SDK は、文字起こし、推論モデル、ビジネス システムへのツール呼び出し、および音声合成が 1 つのストリーミング セッションとして実行されるパイプラインを公開します。ミストラルのデモでは、エージェントが予約システムを取得し、スロットを予約するためのツール呼び出しを実行し、確認を音声で行います。これらはすべてライブ会話中に行われます。
主権はセールストークです
ミストラルは展開制御に力を入れている。 Voxtral 3 は現在、Mistral の EU ホスト API を通じて、または顧客インフラストラクチャへの自己導入用に利用可能であり、組織が音声を処理する場所、データの処理方法、会話を保持するかどうかを決定できます。
この構図は偶然ではありません。欧州の病院、銀行、公的機関は音声データに関する厳しい規則に直面しており、米国のハイパースケーラーのホスト型音声 API は、データの常駐を必要とする調達プロセスで抵抗に直面しています。 「主権AI」を中心にブランドを構築してきたミストラルは、Voxtral 3を欧州の法的審査に合格した音声スタックとして位置づけている。
音声エージェントが努力を続ける理由
ミストラルは発表の中で、問題を明確に説明しています。信頼できる音声エージェントは 4 つの困難な作業を同時に実行する必要があるということです。言語、アクセント、話者、中断を超えて正確に聞き取る必要があります。特定の文脈でユーザーが何を意味するのかを深く考える。感情と表情を持って自然に話す。接続されたシステムの複数のステップにわたってアクションを実行します。それぞれは、何らかの製品によって個別に解決されています。 4 人全員がリアルタイムで、生電話で一緒に仕事をすることは、依然として稀です。
この障害モードは、自動回線に電話したことがある人なら誰でもよく知っているものです。エージェントが、文章が終了したかどうかの判断を誤って発信者に代わって話したり、薬剤名は正しく書き写されたものの、スケジュール システムに接続されていないため、対応できなかったりするなどです。ミストラルは、ターン終了検出、コンテキスト バイアス、およびツール呼び出しを、別々の製品をつなぎ合わせるのではなく、1 つの SDK のファーストクラスの部分としてパッケージ化することで、生のモデルの品質だけでなく、統合の簡素化が音声 AI パイロットを導入に変えるものであると確信しています。
混雑し、動きの速い市場
Decoder は、このリリースを「リアルタイムで聞き、考え、話すフルボイスのエージェント スタック」として特徴付け、このリリースは Hacker News で即座に注目を集め、数時間以内に 380 ポイント以上を集めました。音声 AI は、AI スタックの中で最も争点となっているレイヤーの 1 つとなっており、すべての主要な研究機関が音声合成モデルを出荷し、その上にエージェント フレームワークを構築するスタートアップの波が押し寄せています。
Voxtral 3 の特徴は、少なくとも机上では、オープンな導入オプション、商品レベルでの分単位の価格設定、後付けではなく音声ループ内でのネイティブ ツール呼び出しの組み合わせです。ベンチマークのリードが本番環境のノイズ (アクセントのある音声、電話回線の音声、重複するスピーカー) に耐えられるかどうかによって、コンタクト センターの購入者が実際に切り替えるかどうかが決まります。
ミストラルにとって、今回の発表は、同社がタイムストラル時系列予測モデルをリリースし、物理学向けAIに関するCERNとの提携を深め、伝えられるところによると数百億ユーロの評価額を追求するという多忙な期間を締めくくるものでもある。信頼できる音声スタックは、米国のプロバイダーを介してすべてをルーティングすることなく、テキスト、コード、そして音声のフルスタックを必要とする企業バイヤーに答えを提供します。
_この記事は、Mistral AI の Voxtral 3 の公式発表と Hacker News でのコミュニティのディスカッションに基づいています。_
---
AIの最新情報をお届けAIの最新ニュース、分析、ブレイクスルーを一箇所で。
AIニュースをもっと読む →
