ミストラルAI、音声エージェントSDKと「Voxtral 3」発表　50言語超の文字起こしに対応

　ミストラルAIは10月20日、音声で応答するAIエージェントを作るための開発キット（SDK）と、音声モデル群「Voxtral 3」を発表した。聞き取り、考え、業務システムの操作を行い、話すまでを、1本のリアルタイム処理にまとめられるという。主な用途として、コンタクトセンターやサービスデスク、仮想アシスタントなどを挙げている。

　音声認識モデルは3種類。「Voxtral Small Transcribe 3」と「Voxtral Mini Transcribe 3」は50以上の言語に対応する。Smallは、誰が話したかを区別する機能や、専門用語を事前に与えて認識精度を高める機能、話し終わりを検出する機能を備える。ミストラルAIは、FLEURSベンチマークの45言語で測った単語誤り率で、Smallが「Whisper large-v3」などを上回ると主張している。リアルタイム向けの「Voxtral Mini Transcribe Realtime 3」は、遅延が500ミリ秒未満だという。

　音声合成モデル「Voxtral Speech 3」は、35以上の言語と50以上の方言に対応する。会話の文脈に応じて、感情や話す速さ、強調を変えられるとしている。

　SDKはLiveKit上で動く。話し終わりの検出、汎用モデル（例として「Mistral Small」）による推論とツール呼び出し、音声での返答を、前の処理の完了を待たずに並行して進める。1回のやり取りは1秒未満で終わり、利用者が割り込むと話すのをやめる。電話回線（SIP）とWebRTCに対応し、既存のコンタクトセンター用ソフトウェアなどとも接続できるという。

　提供は同日に始まった。欧州、米国、グローバルのAPIから使えるほか、自社のインフラにも導入できる。音声データの処理場所や、会話を保持するかどうかを利用者が制御できる点を、ミストラルAIは強調している。

　料金は、文字起こしが毎分0.0035～0.008ドル（約0.55～1.3円）、音声合成が100万文字あたり13ドル（約2,050円）。1ドル＝158円で換算した。同社は10月6日にも、大規模言語モデル「Mistral Large 4」を発表している。