音声を聞き、情報を調べ、返事をする
MistralのVoice Agents SDKは、利用者の音声を受け取り、文字に変え、言語モデルで回答を作り、音声で返す一連の処理を扱う。利用者が話し始めたらAIの発話に割り込める。開発者は、エージェントが参照する情報や呼び出せる機能を設定する。[2]
たとえば、予約の変更を受け付けるなら、空き枠を調べる処理と予約を書き換える処理を自社側で接続する。会話モデルを選ぶだけで、業務システムの接続まで終わるわけではない。
音声対応の価値は会話の途中で必要な処理まで進められる点にある。 一方、どの操作に本人確認や最終確認を挟むかは、そのサービスが扱う情報と操作の重さに応じた設計が必要になる。
料金は処理別。電話接続には別の利用条件がある
Voxtral 3では録音をまとめて文字にする処理、会話をリアルタイムに文字にする処理、文章を音声にする処理で料金単位が異なる。Mistralの発表時の価格は次のとおりだ。[3]
| 処理 | モデル | 発表時の価格 |
|---|---|---|
| 録音の文字起こし | Voxtral Mini Transcribe 3 | 1分0.0035ドル |
| リアルタイム文字起こし | Voxtral Mini Transcribe Realtime 3 | 1分0.008ドル |
| 音声生成 | Voxtral Mini TTS 3 | 100万文字13ドル |
録音1000分をMiniのバッチ処理で文字にする場合、上の単価で計算したモデル利用料は3.5ドルとなる。ただし、音声エージェント全体の費用を示す数字ではない。会話モデルや通話、システム連携を含む用途では、使う構成に応じて見積もる必要がある。
提供の入口も分かれる。SDKでの試作やブラウザーへの組み込みに加え、電話回線につなぐSIP接続も用意されているが、電話接続は提供開始時点では企業向けの窓口を通じた利用となる。電話上ではブラウザー内の自作機能をそのまま呼べないため、必要な処理をサーバー側に用意する。[2]
既存の文字起こしは、モデル名の変更だけでは移行できない
Voxtral 2から移行するチームには、出力形式の変更が関わる。公式の移行資料では、Voxtral 3は単語単位のタイムスタンプに対応せず、区間単位を指定するよう求めている。単語単位をリクエストするとエラーになる。[4]
字幕の単語を音声に合わせて強調する画面や、語ごとの位置から編集点を決める仕組みでは、出力を受け取る側の変更も検討対象になる。また、リアルタイム処理の設定は最初の音声を送る前に確定させる必要がある。[4]
Mistralは音声を入力手段にして、情報検索や操作まで同じ会話で扱おうとしている。実際に使う場面では対応する処理、電話の利用条件、既存の表示や編集機能との互換性を分けて評価すると、試作で確かめることが具体的になる。
まとめ
- Voxtral 3は文字起こしと読み上げを業務操作につなぐ。自社のデータや機能を接続する設計が導入後の使い道を左右する。
- 文字起こしの単価と、音声エージェント全体の費用は別に見積もる。電話接続には企業向けの利用条件がある。
- 既存利用者はタイムスタンプとリアルタイム設定を確認したい。モデル更新が画面や編集機能にも影響するためだ。
出典・参考
- Mistral AI「Changelog」2026年10月20日、Voxtral 3の項目。公式資料
- Mistral AI「Voice agents」2026年10月26日確認。公式ドキュメント
- Mistral AI「Voxtral 3」2026年10月20日発表。公式発表
- Mistral AI「Migrate from Voxtral 2」2026年10月26日確認。公式移行資料
カバー写真：MART PRODUCTION／Pexels（問い合わせ対応のイメージ）。仕様・価格・提供状況は2026年10月26日に公式資料で確認。
読者のコメント (0)
コメントを残す