Voxtral 3、リアルタイム文字起こしなど4モデル

Mistral AIのVoxtral 3は単一モデルではなく4モデルの束として登場し、文字起こしと音声合成を別々のAPI製品に分けている。文字起こしモデルは前世代や競合と比較され、SmallとMini Transcribe 3は従来のVoxtral Mini Transcribe 2より誤り率が低いとし、リアルタイム版は240ミリ秒の遅延でGPT Live Transcribeを上回ると主張する。合成側のVoxtral Speech 3は、固有名詞や数字の読み上げ精度を保ちつつGemini 3.8 Flash TTSと同等のコストをうたう。毎分・文字単位の料金設定により、自社でモデルを構築せずにライブ文字起こしやカスタム音声出力を加えたい開発者が利用しやすくなる。遅延とコストを明示的に比較している点から、OpenAIやGoogleの音声APIをすでに検討しているチームを狙っているとみられる。