Mistralが、声で応対するAIを作るための「Voxtral 3」を公開。日本語を含む50を超える言語の聞き取り、30分の音声で本人そっくりの声も

・フランスのAI企業Mistralが2026年10月、音声を文字にするモデルと、文字を声にするモデル、声で応対するAIを作るための部品をまとめた「Voxtral 3」を公開した

・聞き取りは日本語を含む50を超える言語に対応。誰が話したかの聞き分けや、専門用語の指定もできる。小さい版の料金は1分0.0035ドル

・声にするモデルは、会話に合わせて感情や速さを変えられる。「Pro Voice」では、30分の音声から、その人らしい話し方を再現できるとしている。自社の機械にも置ける

Mistralは2026年10月、声で会話するAIを作るための新しいモデル群「Voxtral 3」を公開しました。

電話の窓口などで声で応対するAIには、正しく聞き取る、意味をくみ取る、自然に話す、必要な作業を進める、の4つを同時にこなす力が要ります。Mistralは、この4つを1つの流れでつなぐ部品を、まとめて用意したとしています。

この記事では、Mistralの発表で分かったことを整理したうえで、ふだんの仕事がどう変わるのかを考えます。

聞き取りは日本語を含む50を超える言語に対応

まずは、音声を文字にするモデルです。

Mistralの発表によると、聞き取りのモデル「Voxtral Transcribe 3」の特徴は次のとおりです。

・対応する言語は50に広がった。EUの公用語の24言語や、アジアやインドの言語を多く含む。比べた試験の言語には日本語も入っている

・誰が話したかを聞き分けられる

・専門用語などのキーワードを渡すと、その言葉を正しく聞き取りやすくなる。追加の訓練は要らない

・話し終わったことを見分け、すぐに返事ができる

声にするモデルは、会話に合わせて感情や速さを変える

次に、文字を声にするモデルです。

・「Voxtral Mini TTS 3」は、会話の流れに合わせて、感情、速さ、強調を変えられる新しい声を用意した

・35を超える言語と、50を超える方言に対応する

・「Pro Voice」では、30分の音声から、話す人の特徴や感情の幅、話し方を、言語をまたいで再現できるとしている

声で応対するAIを作る部品と、自社の機械での利用

ここで、応対のAIを作るための部品を見ておきます。

・新しい開発用の部品（SDK）で、聞き取り、考える、道具を使う、話す、をその場でつなげる。電話やWebでの会話の中で、情報を調べたり、業務のシステムを動かしたりできる

・想定する使い道は、コールセンターの応対、問い合わせの窓口、仮想のアシスタント、手を使わない操作など

・MistralのEUにある窓口から使うか、自社の機械に置いて使うかを選べる。音声をどこで処理し、残すかどうかを、利用する会社が決められる

仕事はどう変わるか：声のAIは「誰の声を使うか」まで含めて選ぶ道具になる

ここからは、公式の発表をもとにした僕の見方です。

今回の発表で変わるのは、声のAIの「選び方」だと考えています。

聞き取りが日本語を含む多くの言語で正確になり、声も自然になると、電話の一次受付や、録音の文字起こしをAIに任せる場面は、さらに広がります。xAIのGrok Voice 3.0のように、声で応対するAIを作る道具は各社から出そろってきました（Grok Voice 3.0の記事）。

一方で、30分の音声から本人らしい声を作れる機能は、使い方を誤ると、他人の声を勝手にまねることにもつながります。日本俳優連合は、声のAI利用には本人の書面での同意が必要だとするガイドラインを出したばかりです（日俳連のガイドラインの記事）。声のAIは、性能や料金だけでなく、誰の声を、どんな同意のもとで使うかまで含めて選ぶ道具になっていきそうです。

会議の録音を文字にして議事録を作っている個人事業主にとっても、誰が話したかまで聞き分ける聞き取りのAIは、議事録づくりの手間を減らしてくれそうです。

あわせて、知っておきたいこともあります。

・Voxtral 3は、開発者や企業が自分のサービスに組み込むためのもの

・声にするモデルが日本語に対応しているかは、発表の中では確かめられなかった。使う前に公式の説明書で確かめる

・本人そっくりの声を作る機能は、声の持ち主の同意を得て使う。他人の声を無断でまねることは避ける

まとめ：MistralがVoxtral 3を公開。日本語を含む50言語の聞き取りと、本人らしい声の再現

Mistralは、音声の聞き取り、声の生成、声で応対するAIを作る部品をまとめた「Voxtral 3」を公開しました。聞き取りは日本語を含む50を超える言語に対応し、30分の音声から本人らしい声を再現する機能もあります。

声のAIの性能が上がるほど、誰の声を、どんな同意で使うかまで含めて選ぶことが大切になる、というのがいちばん大きな学びです。

試すなら、自分の声や同意を得た声を使い、会議の文字起こしなどから始めるのがよさそうです。

出典

・Mistral「Voxtral 3」（2026年10月） https://mistral.ai/news/voxtral-3/

キラ

X

ブログ「Spesial Life」を運営しているキラと申します。 当ブログでは、たった一度の人生を豊かに彩るための情報を発信しています。 目まぐるしく変化する現代社会の中で、思うような人生を送ることができずに困っていることはありませんか？ 僕自身、大学卒業後、サラリーマンとして生きていくなかで、想像していた人生とはかけ離れた不満だらけの日々を送っていました。 それがある本と出会い、考え方と行動を変えることで、自分が望むような人生が手に入ることを知ったんです。 それ以来、自分自身の考え方と行動を変えることを実践して、人生を素晴らしいものへと変えている真っ最中です。 このブログでは僕自身の実体験を踏まえた人生を変える情報や考え方を発信しています。 あなたにとって素晴らしい人生が手に入るよう、一緒に行動していきましょう！