Voxtral 3とは？毎分0.0035ドルからのMistral AI音声モデル群の機能・料金・APIの使い方

---

Voxtral 3とは？Mistral AIの音声モデル群をひと言で

Voxtral 3は、フランスのAI企業Mistral AIが出した「音声で会話するAI」を作るための部品一式です。文字起こし、音声合成、会話の制御をまとめて提供します。

ここで出てくる「API」は、他のソフトからAIを呼び出す窓口のこと。Voxtral 3は、アプリとして画面で触るサービスとは性格が違います。開発者が自社のシステムに組み込んで使う部品です。

Mistral AIの公式発表（2026年10月時点）によると、Voxtral 3は50以上の言語で、リアルタイムに何往復も続く会話を想定して作られています。正確な文字起こしと自然な音声合成に、外部の仕組みとの深い連携を組み合わせる設計です。

ひと言でまとめるなら「多言語の電話窓口を、欧州のデータ基盤の上で作れる部品箱」。

公式Xの告知でも、Voxtral 3は文字起こしと音声のモデルであり、Mistralの新しい音声エージェント向けAPIを支えるものだと説明されています。単体の文字起こしツールというより、音声エージェントの土台として見るのが近いです。

AI PICKS調べ: AIツール全体の有料プラン中央値は月2,850円（n=1,244、2026-10-22時点）。料金統計レポートで見る

つまり、Voxtral 3は音声で会話するサービスを作りたい企業向けの「部品」です。では、その部品はどう分かれているのか。

---

Voxtral 3のモデル構成｜3つの役割を整理

Voxtral 3は「聞く」「話す」「会話をつなぐ」の3つの役割に分かれます。役割ごとにモデルや機能が用意されています。

名前が似ていて混乱しやすいので、公開情報をもとに表にしました。

「4Bパラメータ」は、AIの規模を表す数字です。パラメータはAIの中にある調整つまみの数のようなもので、4Bは40億個。大型のAIと比べるとかなり小さい部類です。

小さいモデルには、安く速く動かせる良さがあります。電話のように「待たされるとイラッとする」場面では、この速さが効きます。

「Small」と「Mini」は名前に大小の意味が入っています。精度を取りたいならSmall、量をさばきたいならMini。選ぶときはこの感覚で十分です。

つまり、3つの役割をどう組み合わせるかで、作れるサービスが決まります。ここからは、それぞれの中身を順に掘り下げます。

---

文字起こしモデル「Voxtral Small Transcribe 3」でできること

Voxtral Small Transcribe 3は、50以上の言語の音声を文字にするモデルです。話者の識別と、話し終わりの検知ができる点が特徴です。

どちらも、会話するAIには欠かせない機能です。

話者の識別

話者の識別は、「今しゃべっているのは誰か」を聞き分ける機能。2人以上が話す会議や電話で、発言ごとに話し手を分けて記録できます。

これが無いと、議事録はただの文字の塊になります。誰が何を言ったか分からない記録は、あとで読み返すときに使い物になりません。

話し終わりの検知

話し終わりの検知は、相手が話し終えたタイミングを見分ける機能です。地味ですが、音声AIの使い心地を大きく左右します。

人間同士の会話では、相手が話し終えたかどうかを自然に察します。AIがこれを間違えると、話の途中で割り込んだり、黙ったまま固まったりします。電話窓口でこれが起きると、客はすぐに切ってしまうでしょう。

つまり、このモデルは「正確に書き取る」だけでなく「会話のリズムを読む」ところまで担います。聞く側の次は、話す側の話です。

---

音声合成「Voxtral Mini TTS 3」とPro Voice

Voxtral Mini TTS 3は、文字を音声にする読み上げモデルです。35以上の言語と50以上の方言に対応し、会話の流れに合わせて抑揚を変えられます。

TTSは「Text to Speech」の略で、文章を声に変える技術のこと。カーナビやスマホの読み上げでおなじみです。

文脈に合わせた抑揚

従来の読み上げは、どんな内容でも同じ調子で話しがちでした。謝罪の場面でも明るい声で読み上げてしまう、あの違和感です。

Voxtral Mini TTS 3は、会話の文脈に合わせて抑揚を再現できます。公式発表では、感情に合わせて表現を変える力も打ち出されています。「申し訳ございません」は申し訳なさそうに。予約完了の案内は明るく。この差が、客の受け取る印象を変えます。

Pro Voice：30分の音声から声を再現

Pro Voiceは、30分の音声から話者の特徴や話し方を再現する機能です。会社の顔となる声を、AIの窓口でも使えるようになります。

30分という量は、ほどよい現実味があります。数秒の音声で真似できる仕組みと比べると手間はかかります。ただ、なりすましに悪用されにくい面もあります。

• 自社のナレーターの声で案内を統一できる
• 方言を含めた地域の窓口に合わせやすい
• 本人の同意と、声の権利の扱いは事前に整える必要がある

声の再現は便利な反面、権利と同意の扱いが落とし穴になります。導入前に、声の持ち主と書面で取り決めておくのが安全です。

つまり、読み上げ側は「自然さ」と「自社らしさ」の両方を狙った作り。そして、聞く力と話す力をつなぐのが開発キットです。

---

音声エージェント開発キットで何が変わる？

開発キットを使うと、文字起こしと音声合成をつないだ「会話するAI」を少ない手間で作れます。外部システムとの連携もできるため、予約や照会といった実際の作業まで任せられます。

ここでいう音声エージェントは、声で話しかけると内容を理解し、必要な作業までこなすAIのことです。

公式デモが示す使い方

公式発表のデモが分かりやすい例です。利用者が英語で「フランス語の紹介状をもらったので予約を取ってほしい」と頼みます。

AIは紹介状の内容を英語で説明し、空いている予約枠を提案します。了承を得ると予約の仕組みを呼び出して予約を確定させ、詳細を英語でテキスト送信すると伝えます。

ここで効いているのは、3つの能力の組み合わせです。

「話すだけ」と「作業までする」の差

音声AIの多くは、質問に答えるところで止まります。予約や変更は、結局は人間の担当者に回されてきました。

外部システムとの連携があれば、予約の確定、注文状況の照会、社内データの検索までAIが進められます。公式発表でも、企業の電話窓口や社内向けアシスタントの自動化が用途として挙がっています。

つまり、開発キットの価値は「会話の先にある作業」まで自動化できる点にあります。気になるのは、そのお値段です。

---

Voxtral 3の料金はいくら？

Voxtral 3の最安モデルは、小型のMiniで毎分0.0035ドルです。他のモデルの単価は、リサーチ時点の公開情報では確認できませんでした。

Mistral AIの公式発表（2026年10月時点）では、欧州拠点のAPIで発表当日から提供が始まり、毎分0.0035ドルで使えるとされています。時間単位の課金なので、音声の長さから費用を見積もりやすい仕組みです。

Miniの料金を使い方別に換算

毎分0.0035ドルを、よくある使い方の量に当てはめてみます。円換算は仮に1ドル150円としています。

つまり、月1万分の通話でも5,000円台に収まる計算。人を1人雇う費用と比べれば破格です。

見積もりで見落としやすい点

ただし、この表はMini単体の単価だけを掛けた数字です。実際の運用では、別の費用も乗ってきます。

• 文字起こしに上位のSmallを使う場合の単価
• 音声合成（TTS）やPro Voiceの費用
• 会話の中身を考えるAIの費用
• 電話回線や自社サーバーなどの費用

上位モデルや音声合成の単価は、公式の料金ページで確かめてください。無料枠の有無も、リサーチ時点では確認できていません。

毎分0.0035ドルは「入口の値段」と考えておくと、見積もりで慌てずに済みます。費用感がつかめたら、実際の組み込み方へ進みましょう。

---

Voxtral 3 APIの使い方｜導入までの流れ

Voxtral 3をAPIで使う最初の一手は、Mistral AIの開発者向け環境に登録してAPIキーを発行することです。そのあと使うモデルを選び、音声データを送って結果を受け取ります。

APIキーは、APIを使うための合言葉のような文字列です。外に漏れると勝手に使われ、請求があなたに来ます。

導入の流れ

一般的な流れを表にまとめました。モデル名や呼び出し先の細かい指定は更新されやすいので、組み込むときは公式ドキュメントで最新の書き方を確認してください。

小さく始めるのが近道

いきなり電話窓口すべてをAIに任せるのはおすすめしません。営業時間外の一次受付や、よくある質問の案内など、失敗しても影響の小さい場面から始めるのが堅実です。

特に外部連携は慎重に。予約の確定やキャンセルのように取り消しにくい操作は、最初は「確認してから実行」の形にしておくと安心です。

試験送信の段階では、実際の通話に近い音声を使ってください。静かな部屋の録音だけで試すと、雑音のある現場で精度が落ちて慌てることになります。

つまり、API導入は「キー発行→小さな音声で試す→範囲を絞って本番」の順が鉄則です。もう1つ早めに決めたいのが、どこで動かすかです。

---

EU拠点APIと自社配備の選び方

Voxtral 3は、欧州拠点のAPIで使う方法と、自社の環境に配備する方法を選べます。手軽さを取るならAPI、データを外に出さないことを優先するなら自社配備です。

Mistral AIは発表の中で、データ主権の確保を強く打ち出しています。データ主権とは、自分たちのデータを自分たちの管理下に置き続ける考え方のこと。

日本の企業が考えたいこと

欧州拠点という点は、日本の企業にとって良し悪しがあります。欧州はデータ保護の規則が厳しい地域で、その基盤に置ける安心感はあります。

一方で、日本の顧客データを海外に送ること自体を社内規程で制限している会社もあります。その場合は自社配備が候補になります。ただ、4BのMiniでも自社で安定運用するには、サーバーを扱える人材が必要です。

迷ったらAPIで試し、本番の量と規程が見えてから配備を考える。この順番がいちばん無駄がありません。

つまり、置き場所の選択は「技術」より「社内規程」で決まることが多いです。では、日本の現場ではどこで役立つのか。

---

日本の企業で使える場面と向かない場面

Voxtral 3が力を発揮するのは、多言語の問い合わせが多い窓口と、データを外部に出しにくい社内アシスタントです。日本語だけで完結する用途なら、他の選択肢と比べてから決めるのが安全です。

まず押さえたいのは、日本語の対応状況です。公式発表は「50以上の言語」とうたっていますが、リサーチ時点の情報では、日本語の精度や対応範囲までは確認できませんでした。導入前に、公式の対応言語一覧と実際の日本語音声での試験は欠かせません。

向いている場面

• 訪日客が多いホテルや観光施設の電話窓口
• 海外拠点や外国籍の社員を抱える会社の社内ヘルプデスク
• 多言語の問い合わせを受けるEC・旅行サービスの一次受付
• 医療や金融など、通話データの置き場所を厳しく管理したい組織

向かない、または慎重になりたい場面

日本語だけの読み上げ動画を作りたい、という用途なら話は別です。キャラクターの声で動画を作るなら、VOICEVOXのような日本語特化の無料ソフトのほうが手軽。開発者でなくても画面から使えます。

社内会議の議事録だけが目的なら、すでに完成品として使える会議ツールを選ぶほうが早いです。Voxtral 3は部品なので、組み立てる手間がかかります。

つまり、Voxtral 3は「多言語」「会話」「データ管理」の3つが重なる場面で真価を発揮します。会議記録のツールを探しているなら、AI会議・議事録カテゴリから完成品を選ぶほうが近道です。

---

ElevenLabs・VOICEVOXとの違いは？

ElevenLabsは声の表現力に強い海外の音声合成サービス、VOICEVOXは無料で使える日本語の読み上げソフトです。Voxtral 3は、聞く・話す・作業するをまとめて組み込む開発者向けの部品という位置づけです。

3つは同じ「音声AI」でも、狙っている相手がまるで違います。

ElevenLabsとVOICEVOXの違いをもっと詳しく知りたいなら、ElevenLabs vs VOICEVOX: 違いと選び方完全ガイド2026が判断の物差しになります。声の質で選ぶか、費用で選ぶかの整理に役立ちます。

VOICEVOXが本当に0円で使えるのか気になる人は、VOICEVOXの無料トライアルは不要、0円で全機能・登録もクレカも無し (2026年版)で条件を確かめられます。

文字起こしの側から比べたいなら、Rimo Voice vs VOICEVOX: 違いと選び方完全ガイド2026が参考になります。書き起こしと読み上げの役割の差がはっきりします。

対話AIとの組み合わせも視野に

Voxtral 3は聞く・話すが専門です。会話の中身を考える部分は、ChatGPTやClaudeのような対話AIと比べながら組み立てることになります。

読み上げソフトと対話AIの役割の違いは、VOICEVOXとChatGPTの違いは？性能とコストで選ぶ音声AI（2026年版）とVOICEVOXとClaudeの違いを性能とコストで比較（2026年版）を読むと、全体の組み立てがイメージしやすくなります。

つまり、制作物を作るならElevenLabsかVOICEVOX、窓口や業務の仕組みを作るならVoxtral 3。比べる軸さえ合っていれば迷いません。

---

導入前に確認したい注意点

Voxtral 3を導入する前に、日本語の精度、料金の全体像、声の権利、AIに任せる範囲の4点を確かめてください。どれも、あとから気づくと手戻りが大きい部分です。

発表直後の製品なので、公開されている情報はまだ多くありません。期待だけで本番に入れるのは危険です。

1. 日本語の精度は自分の音声で試す

対応言語の数は魅力ですが、言語ごとの精度は同じとは限りません。社名や商品名、地名のような固有名詞は、特に間違えやすい部分です。自社の実際の通話音声で試すのが確実です。

2. 料金はMiniの単価だけで見積もらない

毎分0.0035ドルは最安の入口です。上位モデル、音声合成、会話の中身を考えるAI、電話回線の費用を足した総額で考えてください。

3. 声の再現は同意と権利をそろえる

Pro Voiceで社員や声優の声を使うなら、本人の同意と利用範囲を書面にしておきます。退職後の扱いも決めておくと、もめずに済みます。

4. AIに任せる操作を絞る

外部連携で予約や決済まで動かせるのは強みです。同時に、AIがそれっぽい嘘をつくこと（ハルシネーション）が起きれば、誤った予約が確定してしまいます。取り消しにくい操作は、最初は人の確認を挟んでください。

つまり、4つの確認を済ませれば、Voxtral 3の安さと多言語対応を安心して活かせます。電話窓口の自動化を広く検討するなら、AIカスタマーサポートカテゴリにある完成品のサービスと比べておくと判断がぶれません。

---

AI PICKS編集部の判定

公開情報を突き合わせた見立てとしては、Voxtral 3は「多言語の音声窓口を作りたい企業」にとって有力な選択肢です。特に、データの置き場所を自分で選べる点は、他の音声AIにはなかなか無い強みです。

毎分0.0035ドルという入口の値段は破格です。月1万分の通話でも、Mini単体なら5,000円台に収まります。小さな会社でも、試験導入のハードルはかなり低いと見ています。

評価したいのは、文字起こしと読み上げに会話の制御と外部連携まで、ひとつの仕組みにまとめた点です。音声AIは部品を寄せ集めると、つなぎ目で会話がもたつきがち。話し終わりの検知まで含めて一社でそろうのは重宝します。

一方で、日本語の精度が公表情報からは読み取れないのは微妙なところ。日本語だけで完結する用途なら、現時点で無理に選ぶ理由はありません。動画の読み上げならVOICEVOX、声の表現力ならElevenLabsのほうが話が早いです。

おすすめは1つに絞ります。訪日客や海外拠点からの問い合わせを抱える企業なら、まずMiniをAPIで小さく試すのが一択です。日本語の精度を自社音声で確かめてから、本番の範囲を広げてください。

---

よくある質問（FAQ）

Q. Voxtral 3とは何ですか？

Voxtral 3とは、Mistral AIが2026年10月21日に公開した音声モデル群です。文字起こし、音声合成、音声で会話するAIを作る開発キットがセットになっています。

Q. Voxtral 3の料金はいくらですか？

小型のMiniが毎分0.0035ドルです。1時間に換算すると0.21ドルになります。上位のモデルや音声合成の単価は、公式の料金ページで最新の条件を確認してください。

Q. Voxtral 3は日本語に対応していますか？

文字起こしは50以上の言語に対応しています。ただ、リサーチ時点の公開情報では日本語の精度や対応範囲までは確認できませんでした。公式の対応言語一覧を確認し、自社の日本語音声で試すのが確実です。

Q. Voxtral 3は無料で使えますか？

無料枠の有無は、リサーチ時点の公開情報では確認できませんでした。費用を抑えたいなら、最安のMiniで短い音声から試すのが現実的です。

Q. Voxtral 3のAPIはどう使い始めればいいですか？

Mistral AIの開発者向け環境に登録し、APIキーを発行するのが最初の一手です。そのあと使うモデルを選び、短い音声を送って結果を確かめます。細かい呼び出し方は公式ドキュメントで確認してください。

Q. 自社のサーバーで動かせますか？

動かせます。Voxtral 3は欧州拠点のAPIに加えて、自社環境への配備にも対応しています。データを外に出したくない組織に向いていますが、運用できる人材が必要です。

Q. Pro Voiceとは何ですか？

Pro Voiceは、30分の音声から話者の特徴や話し方を再現する機能です。自社の案内役の声をAIの窓口で使えます。使う前に、声の持ち主の同意と利用範囲を取り決めておいてください。

Q. ElevenLabsやVOICEVOXとはどう使い分ければいいですか？

動画や音声コンテンツを作るならElevenLabsかVOICEVOXが手軽です。電話窓口や社内アシスタントのように、システムに組み込んで会話させるならVoxtral 3が向いています。

---

あわせて見たいツール・カテゴリ

Voxtral 3と比べながら検討したい分野を、目的別にまとめました。

• 音声認識や読み上げのサービスを広く比べるなら、AI音声・文字起こしカテゴリが出発点です
• 音声AIの選択肢を一覧で眺めたいなら、AI音声・文字起こしのおすすめ一覧で全体像をつかめます
• 予約や照会まで任せるAIを作るなら、AIエージェントカテゴリで仕組みの違いが分かります
• 多言語対応を重視するなら、AI翻訳・多言語カテゴリの選択肢も見ておくと安心です
• 窓口業務の自動化を広く考えるなら、AI自動化カテゴリが参考になります
• 音声に限らず問い合わせ対応AIを探すなら、AIチャットボットのおすすめ一覧も役に立ちます

公式の発表内容は、Mistral AIのVoxtral 3の発表ページで確認できます。

次に読むならこれ。ElevenLabs vs VOICEVOX: 違いと選び方完全ガイド2026です。読み上げの質と費用の物差しができると、Voxtral 3の音声合成をどこまで使うかが決めやすくなります。

---

参考にした一次情報

記事の事実関係は、次の公式ページで確認しています。仕様や料金は変わることがあるため、最新の内容は各ページで確かめてください。

• Mistral Docs「API pricing」（公式）：Voxtral Mini Transcribe 3の料金は毎分0.0035ドルです（2026年10月確認）
• Mistral Docs「Speech to Text」（公式）：話者識別とターン検知はリアルタイムでも使えますが、同じセッションでは併用できません（2026年10月確認）
• Mistral Docs「Languages」（公式）：Small Transcribe 3は50言語、TTS 3は35言語・50以上の方言に対応しています（2026年10月確認）
• Mistral Docs「Voice agents: Tools」（公式）：音声エージェントは会話の途中でWeb検索、コネクタ呼び出し、自前の関数実行ができます（2026年10月確認）