Mistral は音声モデル群 Voxtral 3 を Mistral API で公開した。文字起こしの料金は 1 分あたり 0.0035 ドルからとなっている。北京時間 10 月 21 日 0:00 に X で発表した。
発表内の料金表によると、バッチ文字起こしの Voxtral Mini Transcribe 3 は 1 分 0.0035 ドル、Voxtral Small Transcribe 3 は 1 分 0.0040 ドル、Voxtral Mini Transcribe Realtime 3 は 1 分 0.008 ドル。音声合成モデルの Voxtral Speech 3 はバッチとリアルタイムが同じ API で、100 万文字あたり 13 ドルだ。Mistral は、OpenAI、Deepgram、ElevenLabs、Google の同等モデルより安いとしている。
Mistral によると、文字起こしモデルは EU の公用語 24 言語を含む 50 言語に対応し、専門用語などのキーワードを渡して認識精度を高めるコンテキストバイアスに対応する。Voxtral Small Transcribe 3 は誰が話したかの識別（話者分離）と発話終了の検出ができると説明している。Voxtral Mini Transcribe 3 のパラメータ数は 4B。
Voxtral Mini Transcribe Realtime 3 は音声エージェント向けで、Mistral によれば 35 以上の言語で 500 ミリ秒未満の遅延で文字起こしできる。ただし同じページのモデル紹介欄には 40 以上と書かれている。Voxtral Speech 3 は 35 以上の言語と 50 以上の方言に対応し、感情、話す速さ、強調を指定でき、30 分以上の音声からボイスクローンを作れる。Mistral のドキュメントでは音声合成モデルを Voxtral TTS 3、Voxtral TTS Realtime 3 と呼んでいる。
あわせて LiveKit ベースの音声エージェント SDK も公開された。リアルタイム文字起こし、推論とツール呼び出しを担う Mistral Small などの汎用モデル、Voxtral Speech 3 を一つのストリーミング処理につなぎ、Mistral は 1 回のやり取りが 1 秒未満で終わるとしている。SIP での通話やブラウザ、アプリでの WebRTC にも対応する。
Voxtral 3 は欧州、米国、グローバルの API エンドポイントで使えるほか、自社インフラへの導入もできると Mistral は説明している。発表にオープンウェイトへの言及はない。北京時間 10 月 21 日 0:50 時点で、Mistral の Hugging Face ページにあるのは以前の Voxtral モデルだけだった。
Artificial Analysis は北京時間 10 月 21 日 0:53、Voxtral Small Transcribe 3 が同社の Speech to Text ランキングで AA-WER Index 2.1% の 3 位に入り、2.2% の ElevenLabs Scribe v2 と 2.3% の Grok Voice Transcribe 2.0 を上回ったと発表した。Voxtral Mini Transcribe 3 は 2.2% で 5 位。ストリーミング文字起こしでは、Voxtral Mini Transcribe Realtime 3 の最終書き起こし AA-WER が 960 ミリ秒設定で 3.3%（46 モデル中 6 位）、480 ミリ秒設定で 3.6%。音声合成の Provider Voice アリーナでは Voxtral 3 TTS の Elo が 1,218（1,599 試合）で 98 モデル中 12 位。Controlled Voice アリーナでは Elo 1,068（1,614 試合）で 43 モデル中 12 位。発音ロバストネスは 84.4% で 32 モデル中 13 位とされている。